Détection de l'Élément Atypique : Détecteur d'Anomalies Cycle Complet Régularisé GAN

Cette étude présente une méthode adverse pour la détection d'anomalies dans des applications réelles, en exploitant la puissance des réseaux de neurones adverses génératifs (GANs) grâce à la cohérence cyclique dans l'erreur de reconstruction. Les méthodes précédentes souffrent d'une forte variance entre les précisions par classe, ce qui les rend inapplicables à tous les types d'anomalies. La méthode proposée, nommée RCALAD, tente de résoudre ce problème en introduisant un nouveau discriminateur à la structure, ce qui entraîne un processus d'entraînement plus efficace. De plus, RCALAD utilise une distribution supplémentaire dans l'espace d'entrée pour orienter les reconstructions vers la distribution des données normales, séparant efficacement les échantillons anormaux de leurs reconstructions et facilitant ainsi une détection d'anomalies plus précise. Pour améliorer encore davantage les performances du modèle, deux nouveaux scores d'anomalie ont été introduits. Le modèle proposé a été évalué de manière approfondie au cours de nombreuses expériences sur six jeux de données variés, produisant des résultats qui démontrent sa supériorité par rapport aux modèles existants de pointe. Le code est librement accessible à la communauté scientifique sur https://github.com/zahraDehghanian97/RCALAD.