识别异常：正则化完整循环一致的异常检测GAN

本研究提出了一种基于生成对抗网络（GANs）的对抗方法，用于实际应用中的异常检测，通过在重构误差中引入循环一致性来实现。以往的方法由于各类别准确率之间的高方差，导致无法适用于所有类型的异常。所提出的名为RCALAD的方法通过在结构中引入一种新颖的判别器来解决这一问题，从而实现了更高效的训练过程。此外，RCALAD在输入空间中采用了辅助分布，以引导重构结果趋向正常数据分布，有效分离了异常样本与其重构结果，从而提高了异常检测的准确性。为了进一步提升模型性能，该方法还引入了两种新的异常评分指标。所提出的模型已通过在六个不同数据集上进行的广泛实验进行了全面评估，结果显示其优于现有的最先进模型。该代码已向研究社区开放，可从https://github.com/zahraDehghanian97/RCALAD 获取。