[发明专利]新异检测器

说明书

本公开涉及一种新异检测器，该新异检测器包括：生成器，被配置为根据实际数据输出重构数据；以及判别器，被配置为接收实际数据以及重构数据并且使用实际数据和所生成的重构数据来产生表示实际数据是正常还是异常的判别数据。

相关申请的交叉引用

本申请要求于2020年6月8日提交的申请号为10-2020-0068807的韩国专利申请的优先权，该韩国专利申请通过引用整体并入本文。

技术领域

各个实施例可以涉及一种新异(novelty)检测器，并且更特别地，涉及一种利用没有标签的各种样本进行训练的新异检测器。

背景技术

新异检测是指检测与先前已知数据不同的数据的技术。

当使用神经网络执行新异检测时，使用正常样本来训练神经网络。正常样本可以来自正常样本的特征空间的分布。

当完成训练后将数据输入到神经网络时，神经网络推断实际数据是正常样本(诸如来自正常样本的特征空间的分布的样本)还是异常样本(诸如并非来自正常样本的特征空间的分布的样本)。

图1是示出常规的新异检测器1的框图。

常规的新异检测器1包括生成器10和判别器20。

生成器10和判别器20中的每一个都具有诸如卷积神经网络(CNN)的神经网络结构。

具有图1所示结构的神经网络称为生成对抗网络(GAN)。

生成器10包括：编码器11和解码器12，如图2所示顺序地联接以接收实际数据x并且生成重构数据G(x)。

编码器11和解码器12还可以具有诸如CNN的神经网络结构。

判别器20接收重构数据G(x)并且输出表明实际数据x是正常样本还是异常样本的判别数据D。

例如，判别数据D可以变为0或1，其中1表明实际数据被确定为正常样本，而0表明实际数据被确定为异常样本。

常规的新异检测器1进一步包括耦合电路30。

耦合电路30提供实际数据x或重构数据G(x)作为判别器20的输入以进行训练操作。

耦合电路30提供重构数据G(x)作为判别器20的输入以进行推断操作。

图3是示出常规的新异检测器1的训练操作的流程图。训练生成器10的目的是重构与实际样本相似的样本，而训练判别器20的目的是区分由生成器10生成的样本与实际样本。

在常规的新异检测器1中，交替训练判别器20和生成器10。

当在步骤S10中训练判别器20时，在生成器10的神经网络的权重固定时，调整判别器20的神经网络的权重。

此时，将实际数据x和重构数据G(x)交替输入到判别器20。

此时，调整判别器20的权重，使得当输入实际数据x时判别数据D变为1，而当输入重构数据G(x)时判别数据D变为0。

当在步骤S20中训练生成器10时，在判别器20的权重固定时，调整生成器10的权重。

此时，将重构数据G(x)输入到判别器20。

当输入重构数据G(x)时，调整生成器10的权重，使得判别数据D变为1并且实际数据x与重构数据G(x)之间的均方误差(MSE)变为0。

在训练操作期间，可以重复执行以上两个步骤。

在训练神经网络时，可以使用标有类别的正常样本。