logseq

• 基于生成损失判别异常是否存在的思想
  • 先编码，再由生成器解码
  • 一个有效的模型不应该像 "正常 "实例一样能够重建，因为异常会在编码过程中丢失信息。
• TadGan贡献：
  • 标准对抗损失公式存在梯度不稳定和模式崩溃问题
    • 梯度不稳定
    • 模式崩溃：生成器倾向于生成已经可以被判别为“好”的样本来愚弄判别器，而不再产生新样本，这导致生成器实际上产生的样本多样性不足，无法完美收敛到真实分布
  • 两个新loss：
    • Wasserstein loss：为了使生成的时间序列的分布与目标域的数据分布相匹配
    • Cycle consistency loss：为了防止两个生成器之间产生矛盾
• 摘要

  • 做什么：时间序列异常值检测

  • 怎么做：