𝔏ℑ𝔑'𝔖 𝔅𝔏𝔒𝔊
neural network
2020-08-28
2 / 3
deep-learning
Paper Review [OCGAN: One-class Novelty Detection Using GANs with Constrained Latent Representations]
Hermit
/
2019-12-23
這禮拜看完一篇有關生成對抗網路與One Class Learning 結合的論文(Source Link:https://arxiv.org/abs/1903.08550) ,其名稱為<>,因此主要方法與我目前在用的內容有關。 作者提出了一種稱為OCGAN的檢測模型,其目的是確定是否樣本來自同一個種類。作者的方案是基於使用auto-encoder network來學習神經網路單類樣本的潛在表示。而本篇文章的模型可明確限制潛在空間。為了實現這一目標,首先迫使潛在空間通過以tanh的激活函數引入編碼器的輸出。其次,利用adversariallyr鑑別潛在空間,確保同類的編碼表示類似於從…
deep-learning
WGAN Practice On Credit Card Data
Hermit
/
2019-12-17
前幾篇我有提到WGAN在訓練過程中可以改善兩個神經網路loss很難調教的問題(很常判別器的loss下降,生成器的卻一直上升,或是情況相反),因此我將在此篇裡使用WGAN的規則來修改神經網路的一些參數,條件如下: […] The WGAN limits: 1.判別器最後一層去掉sigmoid 2.生成器和判別器的loss不取log 3.每次更新判別器的參數之後把它們的絕對值截斷到不超過一個固定常數c 4.不要用基於動量的優化算法(包括momentum和Adam),推薦RMSProp,SGD也行 […] import pandas as pd import numpy…
deep-learning
GAN Based Small Sample Augmentation
Hermit
/
2019-11-25
I read some paper about GAN for generate synthetic sample data. Then I find a paper it’s framework works similar with my one-class-GAN. So I want to record the paper’s marrows this time. There is the paper resource link:…
deep-learning
GAN Sampling Versus Other Sampling Method On Credit Card Fraud Detection Data
Hermit
/
2019-11-19
這次,我將使用一個來自kaggle的不平衡數據資料(link:https://www.kaggle.com/mlg-ulb/creditcardfraud/version/1). 該數據集包含了歐洲持卡人2013年9月通過信用卡進行的交易。這些交易發生在兩天之內,在這裡我們有492筆詐騙資料以及284807正常交易資料。該數據集是非常不平衡的,其中陰性樣本(詐欺)佔所有交易的0.172%。它的變量包含數值輸入變量後PCA變換的結果。不幸的是,由於保密問題我們不能得到原始數據的更多背景信息。特徵V1,V2,…… V28與PCA獲得的主成分,還沒有被轉化與PCA的變量是“交易時間”和“交易金額”。…
deep-learning
Practice in GAN with One Class Learning
Hermit
/
2019-11-14
這次我將使用先前東海大學大數據競賽的初賽資料,也就是熱成化加工的數據資料,而該資料中一共有8類,我將資料的第5與8類挑選出來,並僅取3筆第5類資料與136筆第8類資料作為訓練資料,而驗證資料則為9筆第5類資料與136筆第8類資料作為測試資料,因此我們的目標是使用生成對抗網路來生成第5類資料以達到資料平衡後進行後續的分類分析。 […] import pandas as pd import numpy as np df = pd.read_csv('C:/Users/User/OneDrive -…
deep-learning
GAN with One Class Learning
Hermit
/
2019-11-09
先前幾次我嘗試使用生成對抗網路產生一系列資料,但我們知道GAN的訓練很難調整,除非將生成資料直接拿去訓練比照結果,否則很難知道這次生成樣本的品質(這裡的品質是指有時候樣本過少時,我們產生所需的假資料是否能完美的當作一般樣本進行後續分析),因此我想透過一些外部機制來當作衡量生成器生成的品質驗證,後來思考其實這有點像是異常檢測,若是先將真實資料做一個一元的異常檢測分類器,我們便可將GAN產生的資料用此當作二次確認(第一次確認是在GAN當中的判別器),構想圖如下: 我們將想要生成的某類資料匯入後,先建構一個一元分類器,並將所有資料點都包含於正常資料。接著將原資料匯入GAN當中,經過幾次迭代後,我們…
««
«
1
2
3
»
»»