Construction d'espace latent pour la détection d'anomalies par apprentissage adversarial

La detection d'anomalies est un probleme recurrent en Machine Learning. Des techniques recentes cherchenta exploiter le potentiel des GAN (Genera-tive Adversarial Networks) pour detecter les anomalies de facon indirecte, dans l'espace des donnees ; elles se fondent sur l'idee que le generateur ne peut pas recons-truire une anomalie. Nous developpons une approche alternative, basee sur un Encoding Adversarial Network (ANOEAN), qui projette les donnees dans un espace latent, ou la detection d'anomalies se fait de facon directe, en calculant un score. Notre encodeur est appris par adversarial learning, en utilisant deux fonctions de perte, la premiere contraignant l'encodeur a modeliser les donnees normales dans un espace qui suit une distribution gaussienne, et la seconde,a proje-ter des donnees anormales en dehors de cette distribution. Nous conduisons une serie d'experiences sur plu-sieurs bases standard, et montrons que notre approche depasse l'etat de l'art lorsqu'on utilise 10% d'anomalies lors de l'apprentissage.