Unsupervised Anomaly Detection and Localization of Machine Audio: A GAN-based Approach

要約

タイトル：機械音声の非教師あり異常検出と位置特定：GANベースのアプローチ

要約：

– 機械学習における自動異常検出は依然として課題である。
– 本研究では、生成的敵対ネットワーク（GAN）の能力が機械音声の異常検出に適していると信じている。
– AEGAN-ADという完全に非教師ありのアプローチを提案し、ジェネレータ（またはオートエンコーダ）は入力スペクトログラムの再構築を学習する。
– 再構築の除去性質により、能力が低下する。そのため、判別器はトレーニングステージと検出ステージの両方でジェネレータを支援するように再設計されている。
– DCASE 2022 Challenge TASK 2データセットにおけるAEGAN-ADのパフォーマンスは、5つの機械タイプに対して最先端の結果を示している。
– 新しい異常位置特定方法も検討されている。
– ソースコードはwww.github.com/jianganbai/AEGAN-ADにて入手可能。

要約(オリジナル)

Automatic detection of machine anomaly remains challenging for machine learning. We believe the capability of generative adversarial network (GAN) suits the need of machine audio anomaly detection, yet rarely has this been investigated by previous work. In this paper, we propose AEGAN-AD, a totally unsupervised approach in which the generator (also an autoencoder) is trained to reconstruct input spectrograms. It is pointed out that the denoising nature of reconstruction deprecates its capacity. Thus, the discriminator is redesigned to aid the generator during both training stage and detection stage. The performance of AEGAN-AD on the dataset of DCASE 2022 Challenge TASK 2 demonstrates the state-of-the-art result on five machine types. A novel anomaly localization method is also investigated. Source code available at: www.github.com/jianganbai/AEGAN-AD

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI