Geri Dön

Wasserstein generative adversarial active learning for anomaly detection with gradient penalty

Gradyan cezalı Wasserstein üretici çekişmeli ağlar ile aktif öğrenme kullanılarak anomali tespiti

  1. Tez No: 694563
  2. Yazar: HASAN ALİ DURAN
  3. Danışmanlar: DOÇ. DR. ŞEYDA ERTEKİN BOLELLİ
  4. Tez Türü: Yüksek Lisans
  5. Konular: Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrol, Computer Engineering and Computer Science and Control
  6. Anahtar Kelimeler: Belirtilmemiş.
  7. Yıl: 2021
  8. Dil: İngilizce
  9. Üniversite: Orta Doğu Teknik Üniversitesi
  10. Enstitü: Fen Bilimleri Enstitüsü
  11. Ana Bilim Dalı: Bilgisayar Mühendisliği Ana Bilim Dalı
  12. Bilim Dalı: Belirtilmemiş.
  13. Sayfa Sayısı: 100

Özet

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.

Özet (Çeviri)

Anomaly detection has become a very important topic with the advancing machine learning techniques and is used in many different application areas. In this study, we approach differently than the anomaly detection methods performed on standard generative models and describe anomaly detection as a binary classification problem. However, in order to train a highly accurate classifier model, the number of anomaly data in data-sets is very limited, and with synthetic data produced using generative models, it can be brought to a usable level to train the model. In our model like GANs while Generator produces potential informative anomaly data, the Discriminator tries to determine whether the generated data is fake or real. In addition to these, we have added the Critic network to our model in order to enable the Generator to produce more realistic and informative data. In this way, we designed our model the Discriminator to be trained with the data produced by the Generator which is improved by the Critic network. Therefore, after sufficient training, the Discriminator turns into a natural anomaly detection classification tool. Since the Generator produce more realistic data in each epoch during the training phase, created ones more informative potential anomaly data for the Discriminator, which will allow the algorithm to develop with more informative data with active learning logic. Our novelty is a generative adversarial active learning (GAAL) structure designed over the Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP) instead of just applying this method over the standard GAN model. Both our Generator model can produce more realistic and more informative data than before, and at the same time, it prevents the mode collapse problem, which is one of the biggest problems of the standard GAN model. We have obtained a model that can detect anomalies with higher accuracy. Improved version of Wasserstein Generative Adversarial Active Learning (WGAAL-GP) has been tested on different data sets and the results obtained are presented by comparing them with previous studies.

Benzer Tezler

  1. MiWGAN-GP: missing data imputation using Wasserstein generative adversarial nets with gradient penalty

    MiWGAN-GP: Eksik verilerin gradyan cezalandırmalı Wassersteın çekışmeli sinir ağları ile tamamlanması

    EBRU UÇGUN ERGÜN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolHacettepe Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. SUAT ÖZDEMİR

  2. Generative adversarial networks based level generation for angry birds

    Çekişmeli üretici ağlar ile angry birds bölümlerinin üretilmesi

    BURKAN YILMAZ

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik Üniversitesi

    Oyun ve Etkileşim Teknolojileri Ana Bilim Dalı

    DOÇ. DR. SANEM SARIEL UZER

  3. Çekişmeli üretici ağ tabanlı veri artırımı yaklaşımı ile otoskop görüntülerinden kulak zarı patolojilerinin tespiti

    Detection of eardrum pathologies from otoscope images with generative adversarial network-based data augmentation approach

    MUSTAFA FURKAN ESEOĞLU

    Yüksek Lisans

    Türkçe

    Türkçe

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolYıldız Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    PROF. DR. MİNE ELİF KARSLIGİL YAVUZ

  4. Derin öğrenme tabanlı bebek emme benzetimi

    Deep learning based infant sucking simulation

    FATİH FURKAN ARSLAN

    Yüksek Lisans

    Türkçe

    Türkçe

    2024

    Elektrik ve Elektronik MühendisliğiYozgat Bozok Üniversitesi

    Elektrik-Elektronik Mühendisliği Ana Bilim Dalı

    DR. ÖĞR. ÜYESİ ÖNDER DİNCEL

  5. 3D point cloud classification with GANs: ACGAN and VACWGAN-GP

    3B nokta bulutunun çekişmeli sinir ağları ile sınıflandırılması: ACGAN ve VACWGAN-GP

    ONUR ERGÜN

    Yüksek Lisans

    İngilizce

    İngilizce

    2022

    Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik Üniversitesi

    Bilgisayar Mühendisliği Ana Bilim Dalı

    DOÇ. DR. YUSUF SAHİLLİOĞLU