Сравнительное исследование эффективности автоэнкодеров в задачах обнаружения аномалий

Постановка проблемы. Автокодировщики представляют собой мощные инструменты для решения задач обнаружения аномалий благодаря их способностям обучаться сжатию и восстановлению нормальных данных. Основная идея использования автокодировщиков заключается в создании моделей, способных эффективно обрабатывать нормальные данные. Однако при этом возникает сложность при восстановлении аномальных показателей, что приводит к увеличению ошибок реконструкции. Основными типами автоэнкодеров являются: сверточный (CAE), вариационный (VAE) и состязательный (AAE).

Цель. Оценить производительность различных моделей автоэнкодеров в задаче обнаружения аномалий на наборе данных MNIST, а также выявить их преимущества и ограничения.

Результаты. Показано, что все три модели автоэнкодеров имеют высокие показатели при обнаружении аномалий, однако наблюдается снижение производительности и вычислительных затрат. Отмечено, что CAE показал лучшие результаты по скорости, но в некоторых случаях уступил VAE и AAE по точности. Выявлено, что, несмотря на более сложную архитектуру и увеличенное время обучения, VAE и AAE продемонстрировали лишь незначительное улучшение по сравнению с CAE.

Практическая значимость. Простота и скорость CAE могут оказаться более предпочтительными для ряда задач, в то время как VAE и AAE могут быть полезны в случаях, где критичны дополнительные возможности, такие как генерация новых данных или улучшенная устойчивость к шумам. Различия в результатах реконструкции моделей автоэнкодеров и их интерпретации открывают новые возможности для дальнейших исследований, в том числе для разработки гибридных подходов, которые могут сочетать сильные стороны этих моделей.