Wasserstein generative adversarial active learning for anomaly detection with gradient penalty

Gelişen makine öğrenmesi teknikleri ile anomali tespiti çok önemli bir konu haline gelmiş ve birçok farklı uygulama alanında kullanılmaktadır. Bu çalışmada, standart üretici modeller üzerinde gerçekleştirilen anomali tespit yöntemlerinden farklı olarak yaklaşılıyor ve anormallik tespitini bir ikili sınıflandırma problemi olarak tanımlıyoruz. Ancak, yüksek doğrulukta bir sınıflandırıcı modeli eğitmek için veri setlerindeki anomali verisi sayısı çok sınırlıdır ve üretici modeller kullanılarak üretilen sentetik veriler modeli eğitmek için kullanılabilir bir düzeye getirilebilir. GAN'lardaki gibi modelimizde Generator potansiyel bilgilendirici anomali verileri üretirken, Discriminator üretilen verilerin sahte mi gerçek mi olduğunu belirlemeye çalışır. Bunlara ek olarak Generator'ın daha gerçekçi ve bilgilendirici veriler üretebilmesi için modelimize Critic ağını da ekledik. Bu şekilde, Critic tarafından eğitilen Generator'ın ürettiği verilerle eğitilecek Discriminator modelimizi tasarladık. Bu nedenle yeterli eğitimden sonra Discriminator doğal bir anomali tespit sınıflandırma aracına dönüşür. Generator eğitim aşamasında her turda daha gerçekçi veriler üreteceğinden, Discriminator için daha bilgilendirici potansiyel anomali verileri üretecek ve bu da algoritmanın aktif öğrenme mantığı ile daha bilgilendirici verilerle gelişmesini sağlayacaktır. Çalışmamızda, bu yöntemi standart GAN modeli üzerinden çözmek yerine, Wasserstein Generative Adversarial Network'ün gradient cezasıyla (WGAN-GP) geliştirilmiş versiyonu üzerinden tasarlanmış üretken bir çekişmeli aktif öğrenme (GAAL) yapısıdır. Bu sayede hem Generator modelimiz eskisinden daha gerçekçi ve daha bilgilendirici veriler üretebilmekte hem de standart GAN modelinin en büyük sorunlarından biri olan mod collapse sorununun önüne geçmektedir. Bu sayede anomalileri daha yüksek doğrulukla tespit edebilen bir model elde etmiş olduk. Wasserstein Generative Adversarial Active Learning'in (WGAAL-GP) geliştirilmiş versiyonu farklı veri setleri üzerinde denenmiş ve elde edilen sonuçlar önceki çalışmalarla karşılaştırılarak bu çalışmada sunulmuştur.