Zero-shot domain adaptation of anomalous samples for semi-supervised anomaly detection

要約

タイトル：ゼロショットドメイン適応による半教師あり異常検知の不審なサンプル

要約：

– 半教師あり異常検知（SSAD）は、正常データと限られた異常データがトレーニングに利用可能なタスクである。
– 異常データがトレーニングフェーズにおいてターゲットドメインでは利用できないため、SSAD手法は領域シフトに適応することが困難である。
– 問題を解決するために、我々はターゲットドメインの異常データが利用できない場合でもSSADに対するドメイン適応手法を提案する。
– まず、変分オートエンコーダベースのSSADモデルにドメイン対立ネットワークを導入し、ドメイン不変の潜在変数を取得する。
– デコーダはドメイン不変の潜在変数だけで元のデータを再構築できないため、デコーダをドメインラベルに基づいて条件付ける。
– ターゲットドメインの不正データが欠落しているため、理想的な損失関数を近似する重要性サンプリングベースの加重損失関数を導入する。
– 実験結果は、提案された手法がターゲットドメインに異常データが利用できない場合でもSSADモデルをターゲットドメインに適応させるのに役立つことを示唆している。

要約(オリジナル)

Semi-supervised anomaly detection~(SSAD) is a task where normal data and a limited number of anomalous data are available for training. In practical situations, SSAD methods suffer adapting to domain shifts, since anomalous data are unlikely to be available for the target domain in the training phase. To solve this problem, we propose a domain adaptation method for SSAD where no anomalous data are available for the target domain. First, we introduce a domain-adversarial network to a variational auto-encoder-based SSAD model to obtain domain-invariant latent variables. Since the decoder cannot reconstruct the original data solely from domain-invariant latent variables, we conditioned the decoder on the domain label. To compensate for the missing anomalous data of the target domain, we introduce an importance sampling-based weighted loss function that approximates the ideal loss function. Experimental results indicate that the proposed method helps adapt SSAD models to the target domain when no anomalous data are available for the target domain.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI