OCGAN : Détection de nouveauté mono-classe à l'aide de GANs avec représentations latentes contraintes

Nous présentons un nouveau modèle appelé OCGAN pour le problème classique de détection de nouveauté à une classe, où, étant donné un ensemble d'exemples appartenant à une classe particulière, l'objectif est de déterminer si un exemple de requête appartient également à cette classe. Notre solution repose sur l'apprentissage de représentations latentes des exemples intra-classe en utilisant un réseau de décodeur auto-encodeur débruiteur. La contribution principale de notre travail est notre proposition d'imposer explicitement la contrainte que l'espace latent représente exclusivement la classe donnée.Pour atteindre cet objectif, nous procédons en trois étapes principales :1. Nous forçons l'espace latent à avoir un support borné en introduisant une activation tanh dans la couche de sortie du encodeur.2. En utilisant un discriminateur dans l'espace latent qui est entraîné de manière antagoniste, nous nous assurons que les représentations encodées des exemples intra-classe ressemblent à des échantillons aléatoires uniformes tirés du même espace borné.3. En utilisant un second discriminateur antagoniste dans l'espace d'entrée, nous nous assurons que tous les échantillons latents tirés aléatoirement génèrent des exemples qui paraissent réels.Enfin, nous introduisons une technique d'échantillonnage basée sur la descente de gradient qui explore des points dans l'espace latent générant des exemples potentiels hors-classe. Ces exemples sont ensuite réintroduits dans le réseau pour le former davantage à générer des exemples intra-classe à partir de ces points.L'efficacité de la méthode proposée est évaluée sur quatre jeux de données publiquement disponibles en utilisant deux protocoles de détection de nouveauté à une classe, où nous obtenons des résultats d'état de l'art.