Unser Ansatz BK-AAND basiert auf einem Adversarial-Autoencoder-Netzwerk mit zwei Diskriminatoren. Diese Diskriminatoren helfen uns, beide Herausforderungen anzugehen.
Der erste Diskriminator Qz zielt darauf ab, die Verteilung des Latenzraums an eine Standardnormalverteilung anzupassen. Der zweite Diskriminator Qy versucht, zwischen den vom Decoder rekonstruierten Daten und den Originaldaten zu unterscheiden.
Darüber hinaus verwenden wir eine Autoencoder-Verlustfunktion, um die Ähnlichkeit zwischen den dekodierten Bildern und dem ursprünglichen codierten Eingangsbild zu quantifizieren.
Durch die Kombination dieser drei Verlustfunktionen können wir das Netzwerk so trainieren, dass es die Struktur der Inlier-Verteilung effektiv lernt und abbildet. Dies ermöglicht es uns, die Wahrscheinlichkeitsverteilung der Inlier und des gesamten Modells zu bestimmen und Neuheiten oder Ausreißer zu erkennen.
Unsere Ergebnisse zeigen, dass unser Ansatz auf verschiedenen Datensätzen und bei unterschiedlichen Anteilen von Ausreißern effektiv ist und die Leistung aktueller Methoden übertrifft.
To Another Language
from source content
arxiv.org
Key Insights Distilled From
by Muhammad Asa... at arxiv.org 04-09-2024
https://arxiv.org/pdf/2404.04456.pdfDeeper Inquiries