An improved bidirectional generative adversarial networks based approach for anomaly detection

Abstract

Anomali tespiti, anomalilerin yetersiz sayıda bulunması ve etiketlenmemiş olması nedeniyle zorlu bir problem olarak kabul edilir. Anomali tespiti problemi için çok sayıda makine öğrenme yöntemi uygulanabilir. Denetimli anomali tespiti yöntemleri gibi geleneksel makine öğrenme algoritmaları, etiketli veri kümeleri gerektirir ve dengeli veri kümelerinde makul başarılar elde edebilir. Ancak, çoğunlukla sınıf dengesizliği probleminden muzdariptirler. Denetimsiz anomali tespit yöntemleri ise verilerin daha önemli kısımlarının normal olduğunu ve anormallik olarak en az uyuşan durumları etiketlemeye meyillidirler. Yarı denetimli yöntemler, normal verilerden standart veri dağılımını temsil eden yapılar oluşturur. Bu problemin üstesinden gelmek için, literatürde denetimli, denetimsiz, yarı denetimli öğrenme gibi farklı makine öğrenme yaklaşımlarının kombinasyonu önerilmektedir. Yapay sinir ağlarının ve üretken modellerin ortaya çıkmasıyla, sinir ağlarından türetilen farklı metodolojiler anomali tespit görevlerine uygulanmaktadır. Bu çalışmada, KDDCUP99 ve Kredi Kartı Dolandırıcılık Tespiti veri kümelerine, bir anomali tespit problemi olarak yaklaşılmış ve Çift Yönlü Çekişmeli Ağlar tek sınıf bir anomali tespit algoritması olarak değerlendirilerek bu veri setlerine uygulanmıştır. Üretici ağ ve ayırt edici ağ eğitim aşamasında birbirine oldukça bağımlı olduğundan, bu bağımlılığı azaltmak için, bu çalışmada, Çift Yönlü Çekişmeli Ağlar'ın eğitim aşamasına ekstra adımları ekleyerek üç farklı eğitim yaklaşımı önerilmiştir. Ayrıca önerilen yaklaşımların anomali saptama görevinde Çift Yönlü Çekişmeli Ağlar'ın performansını artırdığını gözlemlenmiştir.

Anomaly detection is considered as a challenging task due to its imbalanced and unlabelled nature. Numerous machine learning methods are applicable to the anomaly detection task. Conventional machine learning algorithms, such as supervised anomaly detection methods require labeled data sets and can obtain reasonable achievements on balanced data sets. However, they mostly suffer from the class imbalance problem. Unsupervised anomaly detection methods, on the other hand, assume that the more significant part of the data is normal and are inclined to label the least fit instances as anomalies. Semi-supervised methods create structures from normal data, which represents standard data distribution. To overcome this challenge, the combination of different machine learning approaches such as supervised, unsupervised, semi-supervised learning are proposed in the literature. With the advent of neural networks and generative models, different methodologies derived from neural networks are applied to anomaly detection tasks. In this study, we use the KDDCUP99 and Credit Card Fraud Detection data set, consider them as an anomaly detection task, and implement Bidirectional Generative Adversarial Networks, considering it as a one-class anomaly detection algorithm. Since generator and discriminator are highly dependent on each other in the training phase, to reduce this dependency, in this paper, we propose three different training approaches for Bidirectional Generative Adversarial Networks by adding extra training steps to it. We also demonstrate that proposed approaches increased the performance of Bidirectional Generative Adversarial Networks on anomaly detection task.}