
摘要
我们提出了一种名为OCGAN的新模型,用于解决经典的一类新奇检测问题。在该问题中,给定某一类别的示例集,目标是判断查询示例是否属于同一类别。我们的解决方案基于使用去噪自编码器网络学习类别内示例的潜在表示。本研究的关键贡献在于我们提出显式约束潜在空间,使其仅表示给定的类别。为了实现这一目标,首先,我们在编码器的输出层引入了tanh激活函数,以强制潜在空间具有有界支持。其次,通过在潜在空间中使用一个对抗训练的判别器,我们确保类别内示例的编码表示类似于从同一有界空间中抽取的均匀随机样本。第三,通过在输入空间中使用另一个对抗判别器,我们确保所有从潜在空间中随机抽取的样本生成的例子看起来都是真实的。最后,我们引入了一种基于梯度下降的采样技术,探索潜在空间中的点以生成可能不属于该类别的示例,并将这些示例反馈到网络中进一步训练其从这些点生成类别内的示例。所提出的 方法的有效性在四个公开可用的数据集上进行了评估,并使用两种一类新奇检测协议取得了最先进的结果。