Core Concepts
제안된 RCALAD 모델은 완전 사이클 일관성을 달성하고 정상 데이터 분포로의 편향을 통해 이상치 탐지 성능을 향상시킨다.
Abstract
이 연구는 실제 응용 분야에서의 이상치 탐지를 위한 적대적 방법을 제안한다. 이전 방법들은 클래스 간 정확도 편차가 크다는 문제가 있었다. 제안된 RCALAD 모델은 새로운 판별기를 도입하여 이 문제를 해결하고자 한다. 또한 정상 데이터 분포로의 편향을 위해 보조 분포를 사용한다. 이를 통해 정상 샘플과 이상 샘플의 재구성 간 거리를 효과적으로 분리할 수 있다. 성능 향상을 위해 두 가지 새로운 이상치 점수도 소개된다. 제안 모델은 6개의 다양한 데이터셋에 대해 평가되었으며, 기존 최신 모델들을 능가하는 결과를 보여준다.
Stats
정상 데이터만을 사용하여 생성기와 판별기를 훈련한다.
완전 사이클 일관성을 달성하기 위해 새로운 판별기 Dxxzz를 도입한다.
정상 데이터 분포로의 편향을 위해 보조 분포 σ(x)를 사용한다.
두 개의 새로운 이상치 점수 Afm과 Aall을 제안한다.
Quotes
"제안된 RCALAD 모델은 완전 사이클 일관성을 달성하고 정상 데이터 분포로의 편향을 통해 이상치 탐지 성능을 향상시킨다."
"제안 모델은 6개의 다양한 데이터셋에 대해 평가되었으며, 기존 최신 모델들을 능가하는 결과를 보여준다."