典型文献
生成对抗网络在数据异常检测中的研究
文献摘要：
针对许多检测模型受到数据不平衡和异常数据的复杂性等因素影响问题,提出一种以生成对抗网络(gener-ative adversarial network,GAN)为基础的数据异常检测方法.该方法利用InfoGAN网络训练生成正常数据和异常数据,构造一个推理神经网络作为生成数据与原始数据的标签生成器,之后利用第二个GAN网络对推理网络精调,保证生成的样本和其标签对应;最后将生成样本与标签输入随机森林分类,通过Hyperband算法寻找随机森林最优超参,对推理网络进一步优化.在四个真实数据集上与五种传统机器学习模型进行实验对比,实验结果表明,该模型无需收集更多异常样本,达到数据平衡就可以有效进行数据异常检测.在Mnist数据集中,该模型的AUC值相比于K近邻(K-nearest neighbor,KNN)方法提高0.14,并且综合性能优于传统机器学习模型.
文献关键词：
数据异常检测;InfoGAN;随机森林;Hyperband
中图分类号：
作者姓名：
庄跃生;林珊玲;林志贤;张永爱;郭太良
作者机构：
福州大学 物理与信息工程学院,福州 350116;中国福建光电信息科学与技术创新实验室,福州 350116;福州大学 先进制造学院,福建 晋江 362200
文献出处：
引用格式：
[1]庄跃生;林珊玲;林志贤;张永爱;郭太良-.生成对抗网络在数据异常检测中的研究)[J].计算机工程与应用,2022(04):143-149
A类：
InfoGAN,Hyperband
B类：
生成对抗网络,数据异常检测,检测模型,数据不平衡,异常数据,gener,ative,adversarial,network,异常检测方法,法利,网络训练,原始数据,标签生成,生成器,精调,随机森林分类,优超,真实数据,机器学习模型,实验对比,数据平衡,Mnist,近邻,nearest,neighbor,KNN
AB值：
0.329291
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
