이상치 탐지: 규제된 완전 순환 일관성 이상 탐지기 GAN

본 연구는 실제 응용 분야에서 이상 탐지(anomaly detection)를 위한 적대적 방법을 제시하며, 생성적 적대 신경망(generative adversarial neural networks, GANs)의 재구성 오차(reconstruction error)에서 순환 일관성(cycle consistency)을 활용합니다. 기존 방법들은 클래스별 정확도(class-wise accuracy) 간의 높은 분산(high variance)으로 인해 모든 유형의 이상에 적용할 수 없는 문제가 있었습니다. 제안된 방법인 RCALAD는 구조에 새로운 판별기(discriminator)를 도입하여 이 문제를 해결하려고 합니다. 이로 인해 훈련 과정이 더욱 효율적으로 이루어집니다. 또한, RCALAD는 입력 공간(input space)에서 보조 분포(supplementary distribution)를 사용하여 재구성을 정상 데이터 분포(normal data distribution)로 유도합니다. 이를 통해 이상 샘플(anomalous samples)과 그 재구성이 효과적으로 분리되어 더욱 정확한 이상 탐지가 가능해집니다. 모델의 성능을 더욱 향상시키기 위해 두 가지 새로운 이상 점수(anomaly scores)가 도입되었습니다. 제안된 모델은 여섯 가지 다양한 데이터셋에서 광범위한 실험을 통해 철저히 평가되었으며, 결과는 기존 최신 모델(state-of-the-art models)보다 우수함을 입증하였습니다. 코드는 연구 커뮤니티에서 이용할 수 있으며, 다음 주소에서 확인할 수 있습니다: https://github.com/zahraDehghanian97/RCALAD.