Zero-Shot Anomaly Detection without Foundation Models

要約

異常検出 (AD) は、特定のデータ セットで標準から逸脱したデータ インスタンスを識別しようとします。
データ分布は分布シフトの影響を受けるため、「正規性」の概念もドリフトする可能性があり、異常検出のためのゼロショット適応アプローチの必要性が高まります。
ただし、現在のゼロショット AD メソッドは、ドメイン (自然言語と自然画像) が制限された基盤モデルに依存しており、コストがかかり、多くの場合独自仕様であるという事実により、代替アプローチが求められます。
この論文では、さまざまな確立されたAD方法と互換性のある、シンプルで非常に効果的なゼロショットADアプローチを提案します。
私たちのソリューションは、バッチ正規化と組み合わせて、一連の相互に関連するデータ分布で市販の異常検出器 (ディープ SVDD など) をトレーニングすることに依存しています。
この単純なレシピ (バッチ正規化とメタトレーニング) は、非常に効果的で用途の広いツールです。
私たちの結果は、表形式データの最初のゼロショット異常検出結果と、特殊なドメインからの画像データの SOTA ゼロショット AD 結果を示しています。

要約(オリジナル)

Anomaly detection (AD) tries to identify data instances that deviate from the norm in a given data set. Since data distributions are subject to distribution shifts, our concept of “normality’ may also drift, raising the need for zero-shot adaptation approaches for anomaly detection. However, the fact that current zero-shot AD methods rely on foundation models that are restricted in their domain (natural language and natural images), are costly, and oftentimes proprietary, asks for alternative approaches. In this paper, we propose a simple and highly effective zero-shot AD approach compatible with a variety of established AD methods. Our solution relies on training an off-the-shelf anomaly detector (such as a deep SVDD) on a set of inter-related data distributions in combination with batch normalization. This simple recipe–batch normalization plus meta-training–is a highly effective and versatile tool. Our results demonstrate the first zero-shot anomaly detection results for tabular data and SOTA zero-shot AD results for image data from specialized domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google