OCGAN: 제약된 잠재 표현을 사용한 GAN을 활용한 일류 이상 탐지

우리는 일정 클래스의 예제가 주어졌을 때, 쿼리 예제가 동일한 클래스에 속하는지 판단하는 전통적인 문제인 단일 클래스 이상 탐지(one-class novelty detection)를 위한 새로운 모델인 OCGAN을 제시합니다. 우리의 해결책은 노이즈 제거 오토인코더(denoising auto-encoder) 네트워크를 사용하여 클래스 내 예제의 잠재 표현(latent representations)을 학습하는 것입니다. 본 연구의 핵심 기여는 주어진 클래스를 독점적으로 표현하도록 잠재 공간(latent space)을 명시적으로 제약하는 방안을 제안한 것입니다.이 목표를 달성하기 위해 첫째, 인코더(encoder)의 출력층에 tanh 활성화 함수를 도입하여 잠재 공간이 유계(bounded) 지원을 갖도록 강제합니다. 둘째, 적대적(adversarially)으로 훈련된 잠재 공간 내의 판별기(discriminator)를 사용하여 클래스 내 예제의 인코딩된 표현이 같은 유계 공간에서 추출된 균일한 무작위 샘플과 유사하도록 합니다. 셋째, 입력 공간(input space)에서 두 번째 적대적 판별기를 사용하여 모든 무작위로 추출된 잠재 샘플이 실제(real)처럼 보이는 예제를 생성하도록 합니다. 마지막으로, 잠재 공간에서 가능한 클래스 외 예제(out-of-class examples)를 생성하는 점들을 탐색하는 그래디언트 디센트(gradient-descent) 기반 샘플링 기술을 도입합니다. 이러한 점들에서 생성된 예제들은 네트워크로 다시 피드백되어 해당 점들로부터 클래스 내 예제를 생성하도록 네트워크를 추가로 훈련시킵니다.본 방법의 효과는 두 가지 단일 클래스 이상 탐지 프로토콜에서 네 개의 공개 데이터셋을 사용하여 측정되었습니다. 이 과정에서 우리는 최신 성능(state-of-the-art results)을 달성하였습니다.