咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于对抗样本和自编码器的鲁棒异常检测 收藏

基于对抗样本和自编码器的鲁棒异常检测

Robust Anomaly Detection Based on Adversarial Samples and AutoEncoder

作     者:李沙沙 邢红杰 LI Shasha;XING Hongjie

作者机构:河北大学数学与信息科学学院河北省机器学习与计算智能重点实验室河北保定071002 

出 版 物:《计算机科学》 (Computer Science)

年 卷 期:2024年第51卷第5期

页      面:363-373页

学科分类:1305[艺术学-设计学(可授艺术学、工学学位)] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基  金:国家自然科学基金(61672205) 河北省自然科学基金(F2017201020) 河北大学高层次人才科研启动项目(521100222002) 

主  题:自编码器 对抗样本 异常检测 对抗攻击 鲁棒性 

摘      要:基于自编码器的异常检测方法仅利用正常样本进行训练,因此可以有效地重构正常样本,但不能较好地对异常样本进行重构。另外,当基于自编码器的异常检测方法受到对抗攻击时,往往会取得错误的检测结果。为了解决上述问题,提出了一种基于对抗样本和自编码器的鲁棒异常检测(Robust Anomaly Detection Based on Adversarial Samples and AutoEncoder,RAD-ASAE)方法。RAD-ASAE由两个参数共享的编码器和一个解码器构成。首先,对正常样本施加微小的扰动以生成对抗样本,利用正常样本和对抗样本同时对模型进行训练,以提高模型的对抗鲁棒性;其次,在样本空间中最小化对抗样本的重构误差以及正常样本与对抗样本的重构样本之间的均方误差,同时在潜在空间中最小化正常样本和对抗样本的潜在特征之间的均方误差,以提高自编码器的重构能力。在MNIST,Fashion-MNIST,CIFAR-10数据集上进行实验,结果表明,与7种相关方法相比,RAD-ASAE展现了更优的异常检测性能。

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分