内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载
论文链接：/pdf/1901.04997.pdf
论文代码：/LiDan456/MAD-GANs
本文一个大的贡献是开源了两个数据集
1、The Secure Water Treatment (SWaT）
2、The Water Distribution (WADI)
本篇论文“MAD-GAN：利用GAN对时间序列数据进行多元异常检测”，发表于ICANN上，文章主要围绕”异常检测+多元时间序列+网络入侵+GAN“展开，以下是我这几天阅读该篇文章的收获，其中，模型及结构我自己做了一个动画版，动画版我用了很久的时间去理顺作者的思想做出来的，能够更直观明确地表现出该模型的流程，但是我还不太清楚怎么怎么将动画展示在博客中，后期如果学会我会及时更新，如果有小伙伴着急需要，也可以私信我，对文章理解不到位的地方，也请各位小伙伴指正，共同学习进步！
本文背景
现实世界中的信息物理融合系统（Cyber-Physical Systems），如智能建筑、工厂、发电厂、数据中心等，变得越发巨大和复杂。通常会安装大量的传感器来监测系统的运行状态并检测异常，运维人员从而发现潜在的安全隐患并采取必要的措施。传感器通常生成的是大量的多变量的时间序列，因此本文是基于多变量时间序列的异常检测。异常检测就是找出和系统中正常行为的状态不一致的时间点。通常由于缺乏有标记的数据，异常检测通常是当作无监督的机器学习任务。
本文贡献
（1）提出了基于生成对抗网络（GAN）的多变量时间序列异常检测模型。
（2）以 LSTM 为基本模型来捕获时间上的依赖关系，并将其嵌入到 GAN 的框架中。
（3）同时利用 GAN 的生成器和判别器来检测异常，利用判别器得到判别损失，利用生成器得到重建的损失。
文章目录
**内含动画的PPT已经上传，可以在我上传的资源里看到，可免费下载**本文背景本文贡献一、论文概括二、相关的研究工作三、作者的研究方法一、论文概括
研究对象目标方法结论二、相关的研究工作
异常检测MAD-GAN三、作者的研究方法
模型及分析子序列的形成DR评分算法流程两个CPS数据集介绍模型相关参数设置评测指标实验结果及比对关于这个模型的理解，我说说我个人的想法，看似没什么，就是一个GAN模型，但是真正每一步去理解它的时候，总感觉有些地方理解的不透彻，怎么把这个模型的原理搞清楚，并且能够清晰地解释给别人听，让别人也能听明白并理解这个模型，我花了较长时间去思考，某天深夜，想喝奶茶，突然灵机一动，奶茶的例子能够解释这个模型。
（1）为了理解模型的每一块，花了很长的时间做了上面这张图的动态PPT，PPT会跳转出来该模型的怎么运行的，通过动画更能清楚明白地去理解，建议大家先下载定位到这一页再看下面的文字描述解释。
（2）首先分成两个部分，训练阶段+异常检测阶段
训练阶段，看成是对奶茶店的新入职的员工进行培训，让她具备制作奶茶的技能；异常检测阶段，看成新员工通过培训，去上岗给顾客做奶茶，顾客的反馈就是检测
（3）具体理解
角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space
- 训练阶段
角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space
首先新员工A（Generator生成器，做奶茶的人)进入培训阶段，首先会拿到一份奶茶制作清单Random Latent Space（可以看成一点点他们家所有饮品的列表）——>新员工需要根据所获得的这份清单去练习制作奶茶（生成样本）——>员工A将制作出来的奶茶给另一位新员工B(Discriminator)去判定自己制作的这杯奶茶怎么样——>B因为也是刚入职，所以她凭借自己品过的奶茶（训练样本）的少许经验去给A提出修改意见（Score）——>A收到修改意见继续努力进步，同时B也在不断地提高自己的鉴品能力——>在反复进行的过程中,A,B都满足了“一点点公司”上岗要求。
此时场景从幕后转换到幕前，A,B上岗啦！！
- 异常检测阶段
角色：制作奶茶新员工A（Generator）+品尝奶茶新员工B（Discriminator）+奶茶制作清单Random Latent Space+顾客下单饮品(测试样本，测试样本中的订单中有一点点，Coco,星巴克，鹿角巷等，正常的订单是一点点，其它的视为异常)
AB开始上班啦！有顾客开始点单啦！但是顾客点单的方式并不完全中规中矩，比如，红茶玛奇朵，顾客会说成玛奇朵（订单是一点点的，匹配度高，正常）；但是会有顾客说我要一杯香草榛果拿铁（订单是星巴克家的，匹配度低，异常）检测正常：A收到订单（测试集），顾客说要波霸奶茶，波霸奶茶被映射到Random Latent Space（一点点的菜单里能找到）——>A对应找到波霸奶茶，顾客订单和菜单匹配度100%——>根据制作出来波霸奶茶——>顾客拿到做好的奶茶与自己的订单比较——>一致，重构损失0，并且旁边的B在监督的过程中观察到A是根据菜单里做的，匹配，判别损失0——>这个订单正常检测异常：A收到订单（测试集），顾客说要香草榛果拿铁，香草榛果拿铁映射到Random Latent Space（一点点的菜单里没有找到）——>A没有找到100%匹配的，根据最高相似度找到香草奶茶，制作出香草奶茶——>顾客拿到做好的奶茶与自己的订单比较——>不一致，重构损失大，原来香草榛果拿铁是星巴克的，一点点没有，只好按照最高匹配度找到一杯和香草榛果拿铁差不多的饮品制作——>这个订单异常
