科研之友
微信
新浪微博
Facebook
分享链接
摘要
深度自编码器是异常检测领域中被广泛使用的深度学习模型。记忆增强的自编码器模型(Memory-augmented Autoencoder Model, MemAE)通过记忆增强模块解决传统自编码器泛化能力过强的问题,并取得了良好的效果。针对自编码器对于训练数据的正常模式提取能力有限这个问题,通过融合对抗自编码器(Adversarial Autoencoder, AAE)的对抗学习过程,提出基于记忆增强的对抗自编码器模型(Memory-augmented Adversarial Autoencoder Model, MemAAE)。相比于原模型,增加判别器模块,将自编码器与记忆模块视为生成器,使生成器输出的聚合后验分布与先验分布相匹配,弥补了自编码器能力不足的缺点,提高了重构的效果,并在一定程度上避免了可能出现的模式崩溃问题。在多个文本数据集和MNIST图像数据集上的实验结果表明,改进之后的模型与已有的异常检测模型相比,文中提出的模型MemAAE总体性能更优。
- 单位
