[發(fā)明專利]一種面向多種類數(shù)據(jù)的異常檢測方法及裝置

有效

• 申請?zhí)枺?/td>: 202110181592.1
• 申請日: 2021-02-09
• 公開（公告）號: CN113052203B
• 公開（公告）日: 2022-01-18
• 發(fā)明（設計）人: 廖清;曾子輝;柴合言;蘇偉俊;劉洋;蔣琳;王軒
• 申請（專利權）人: 哈爾濱工業(yè)大學（深圳）（哈爾濱工業(yè)大學深圳科技創(chuàng)新研究院）
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 廣州三環(huán)專利商標代理有限公司 44202
• 代理人: 郭浩輝;顏希文

本發(fā)明公開了一種面向多種類數(shù)據(jù)的異常檢測方法及裝置。所述面向多種類數(shù)據(jù)的異常檢測方法通過訓練對抗學習網(wǎng)絡，使對抗學習網(wǎng)絡中的生成器擬合正常訓練樣本的分布以及學習正常訓練樣本的潛在模式，得到更新的對抗學習網(wǎng)絡，根據(jù)訓練過程中產(chǎn)生的重構誤差構造更新的對抗學習網(wǎng)絡中的異常評價函數(shù)，并將更新的對抗學習網(wǎng)絡構建為異常檢測模型，以利用異常檢測模型對輸入的檢測數(shù)據(jù)進行異常檢測，得到異常檢測結果。本發(fā)明基于傳統(tǒng)生成對抗學習模型的異常檢測方法，通過引入模式分類器的思想，有效解決了檢測數(shù)據(jù)與正常數(shù)據(jù)分布相近時異常檢測難的問題，進一步提高了異常檢測的準確性。

技術領域

本發(fā)明涉及異常檢測技術領域，尤其涉及一種面向多種類數(shù)據(jù)的異常檢測方法及裝置。

背景技術

近年來，隨著數(shù)據(jù)量的不斷增加，異常檢測技術受到了廣泛關注。目前提出的異常檢測算法可大致分為基于近似的異常檢測算法和基于模型的異常檢測算法。

基于近似的異常檢測算法是根據(jù)測試樣本與正常樣本之間的近似程度來判斷測試樣本是否異常。基于近似的異常檢測算法在每一次異常檢測時均需要所有正常樣本參與到近似程度的運算中，數(shù)據(jù)規(guī)模擴大的同時也增大了運算壓力，難以應用于現(xiàn)實的異常檢測場景。

基于模型的異常檢測算法是通過大量正常數(shù)據(jù)學習正常樣本的特征和分布，并在檢測階段通過計算測試樣本與正常樣本的分布差異大小來判斷測試樣本是否異常。基于模型的異常檢測算法通常將正常樣本當成一類統(tǒng)一的模式進行學習，忽略了在現(xiàn)實生活中正常樣本包含多種潛在模式的特性，例如在X光圖片中，按性別來劃分樣本包含男性、女性兩種模式，按體型來劃分樣本則包含胖瘦等模式，難以準確地捕捉到正常樣本中區(qū)別于異常樣本的有效模式，無法進一步提高異常檢測的準確性。

發(fā)明內(nèi)容

為克服現(xiàn)有技術的缺陷，本發(fā)明提供一種面向多種類數(shù)據(jù)的異常檢測方法及裝置，能夠針對多種類數(shù)據(jù)進行異常檢測，進一步提高異常檢測的準確性。

為了解決上述技術問題，第一方面，本發(fā)明一實施例提供一種面向多種類數(shù)據(jù)的異常檢測方法，包括：

訓練對抗學習網(wǎng)絡，得到更新的對抗學習網(wǎng)絡，具體包括：

將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網(wǎng)絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布；

將經(jīng)過插值處理的所述特征向量和所述模式向量輸入所述對抗學習網(wǎng)絡，利用編碼器與所述生成器進行對抗學習，更新所述生成器和所述編碼器，使所述生成器學習所述正常訓練樣本的潛在模式；

重復上述操作迭代訓練所述對抗學習網(wǎng)絡直至當前迭代次數(shù)達到最大迭代次數(shù)，得到所述更新的對抗學習網(wǎng)絡；其中，所述對抗學習網(wǎng)絡包括所述生成器、所述判別器、所述編碼器；

根據(jù)訓練過程中產(chǎn)生的重構誤差構造所述更新的對抗學習網(wǎng)絡中的異常評價函數(shù)，并將所述更新的對抗學習網(wǎng)絡構建為異常檢測模型；

通過所述異常檢測模型對輸入的檢測數(shù)據(jù)進行異常檢測，得到異常檢測結果。

進一步地，在所述將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網(wǎng)絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布之前，還包括：

從所述正常訓練樣本的特征向量集合中采集所述特征向量，并從所述正常訓練樣本的模式向量集合中采集與所述特征向量對應的所述模式向量。

進一步地，所述將正常訓練樣本的特征向量和模式向量輸入所述對抗學習網(wǎng)絡，利用判別器與生成器進行對抗學習，更新所述生成器和所述判別器，使所述生成器擬合所述正常訓練樣本的分布，具體包括：

將所述特征向量和所述模式向量輸入所述生成器，使所述生成器根據(jù)所述特征向量和所述模式向量生成第一圖像；