基于GAN的异常检测研究综述

基于GAN的异常检测研究综述

TP391.41%TP183; 深度学习中生成式对抗网络(GAN)具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像.针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题....

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:宜宾学院学报 2023, Vol.23 (6), p.1-10
Hauptverfasser: 樊富有, 代洋, 张淋
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 10
container_issue 6
container_start_page 1
container_title 宜宾学院学报
container_volume 23
creator 樊富有
代洋
张淋
description TP391.41%TP183; 深度学习中生成式对抗网络(GAN)具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像.针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题.
doi_str_mv 10.19504/j.cnki.issn1671-5365.2023.06.01
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_ybxyxb202306001</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>ybxyxb202306001</wanfj_id><sourcerecordid>ybxyxb202306001</sourcerecordid><originalsourceid>FETCH-wanfang_journals_ybxyxb2023060013</originalsourceid><addsrcrecordid>eNpjYNAwNNAztDQ1MNHP0kvOy87UyywuzjM0MzfUNTU2M9UzMjAy1jMw0zMwZGHghAtzMPAWF2cmGRgYGhoYWliYcDKoPJ2_68muPndHv-ezWp7uaXq6Y8ezxQ3PtnY_XzDl-cptz3fvebF_Aw8Da1piTnEqL5TmZlB3cw1x9tAtT8xLS8xLj8_KLy3KA8rEVyZVVFYkgSw3MAPaYky8SgAj30em</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于GAN的异常检测研究综述</title><source>国家哲学社会科学学术期刊数据库 (National Social Sciences Database)</source><creator>樊富有 ; 代洋 ; 张淋</creator><creatorcontrib>樊富有 ; 代洋 ; 张淋</creatorcontrib><description>TP391.41%TP183; 深度学习中生成式对抗网络(GAN)具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像.针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题.</description><identifier>ISSN: 1671-5365</identifier><identifier>DOI: 10.19504/j.cnki.issn1671-5365.2023.06.01</identifier><language>chi</language><publisher>智能终端四川省重点实验室,四川宜宾644000</publisher><ispartof>宜宾学院学报, 2023, Vol.23 (6), p.1-10</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/ybxyxb/ybxyxb.jpg</thumbnail><link.rule.ids>314,780,784,4022,27921,27922,27923</link.rule.ids></links><search><creatorcontrib>樊富有</creatorcontrib><creatorcontrib>代洋</creatorcontrib><creatorcontrib>张淋</creatorcontrib><title>基于GAN的异常检测研究综述</title><title>宜宾学院学报</title><description>TP391.41%TP183; 深度学习中生成式对抗网络(GAN)具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像.针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题.</description><issn>1671-5365</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2023</creationdate><recordtype>article</recordtype><recordid>eNpjYNAwNNAztDQ1MNHP0kvOy87UyywuzjM0MzfUNTU2M9UzMjAy1jMw0zMwZGHghAtzMPAWF2cmGRgYGhoYWliYcDKoPJ2_68muPndHv-ezWp7uaXq6Y8ezxQ3PtnY_XzDl-cptz3fvebF_Aw8Da1piTnEqL5TmZlB3cw1x9tAtT8xLS8xLj8_KLy3KA8rEVyZVVFYkgSw3MAPaYky8SgAj30em</recordid><startdate>2023</startdate><enddate>2023</enddate><creator>樊富有</creator><creator>代洋</creator><creator>张淋</creator><general>智能终端四川省重点实验室,四川宜宾644000</general><general>宜宾学院 网络与图书情报信息中心,四川宜宾644000%西华师范大学 电子信息工程学院,四川南充637000</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2023</creationdate><title>基于GAN的异常检测研究综述</title><author>樊富有 ; 代洋 ; 张淋</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_ybxyxb2023060013</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2023</creationdate><toplevel>online_resources</toplevel><creatorcontrib>樊富有</creatorcontrib><creatorcontrib>代洋</creatorcontrib><creatorcontrib>张淋</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>宜宾学院学报</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>樊富有</au><au>代洋</au><au>张淋</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于GAN的异常检测研究综述</atitle><jtitle>宜宾学院学报</jtitle><date>2023</date><risdate>2023</risdate><volume>23</volume><issue>6</issue><spage>1</spage><epage>10</epage><pages>1-10</pages><issn>1671-5365</issn><abstract>TP391.41%TP183; 深度学习中生成式对抗网络(GAN)具有强大拟合训练数据分布能力,在应用到异常检测领域时可有效准确识别异常图像.针对异常检测领域中传统有监督学习算法存在大量已知标记样本训练的局限性,以无监督学习GAN的异常检测模型为研究对象,阐明生成对抗网络的基本原理、网络结构及相关理论,详细介绍了近年来十种典型的基于GAN的异常检测模型,经过比较各衍生模型的异同,总结出各自的优势、局限性和应用场景,通过分析GAN在异常检测领域研究中所面临的问题及挑战,展望了未来的研究方向主要是解决模型的稳定性、计算效率、生成样本的精度、异常区域定位、异常评价机制等问题.</abstract><pub>智能终端四川省重点实验室,四川宜宾644000</pub><doi>10.19504/j.cnki.issn1671-5365.2023.06.01</doi></addata></record>
fulltext fulltext
identifier ISSN: 1671-5365
ispartof 宜宾学院学报, 2023, Vol.23 (6), p.1-10
issn 1671-5365
language chi
recordid cdi_wanfang_journals_ybxyxb202306001
source 国家哲学社会科学学术期刊数据库 (National Social Sciences Database)
title 基于GAN的异常检测研究综述
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2025-01-10T00%3A48%3A47IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8EGAN%E7%9A%84%E5%BC%82%E5%B8%B8%E6%A3%80%E6%B5%8B%E7%A0%94%E7%A9%B6%E7%BB%BC%E8%BF%B0&rft.jtitle=%E5%AE%9C%E5%AE%BE%E5%AD%A6%E9%99%A2%E5%AD%A6%E6%8A%A5&rft.au=%E6%A8%8A%E5%AF%8C%E6%9C%89&rft.date=2023&rft.volume=23&rft.issue=6&rft.spage=1&rft.epage=10&rft.pages=1-10&rft.issn=1671-5365&rft_id=info:doi/10.19504/j.cnki.issn1671-5365.2023.06.01&rft_dat=%3Cwanfang_jour%3Eybxyxb202306001%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=ybxyxb202306001&rfr_iscdi=true