Anomaly Detection via Gumbel Noise Score Matching

要約

タイトル：Gumbelノイズスコアマッチングによる異常検知
要約：

– カテゴリカルデータの異常を検出するための新しい非教師あり方法であるGumbelノイズスコアマッチング（GNSM）を提案する。
– GNSMは、連続でリラックスされたカテゴリカル分布のスコア（つまり、入力に対する対数尤度の勾配）を推定することによってこれを実現する。
– GNSMは、異常検知のタブルデータセットに対してテストされ、一貫して高いパフォーマンスを発揮する。
– GNSMの柔軟性を示すために行われた画像データに適用される実験では、モデルが不良なセグメンテーション予測を検出するようにタスクが割り当てられた。 Gnsmによって異常と評価された画像は明らかなセグメンテーションの失敗を示し、GNSMの出力はグランドトゥルースで計算されたセグメンテーションメトリックと強く相関する。
– GNSMが使用するスコアマッチングトレーニング目的を概説し、当社の作品のオープンソース実装を提供します。

要約(オリジナル)

We propose Gumbel Noise Score Matching (GNSM), a novel unsupervised method to detect anomalies in categorical data. GNSM accomplishes this by estimating the scores, i.e. the gradients of log likelihoods w.r.t.~inputs, of continuously relaxed categorical distributions. We test our method on a suite of anomaly detection tabular datasets. GNSM achieves a consistently high performance across all experiments. We further demonstrate the flexibility of GNSM by applying it to image data where the model is tasked to detect poor segmentation predictions. Images ranked anomalous by GNSM show clear segmentation failures, with the outputs of GNSM strongly correlating with segmentation metrics computed on ground-truth. We outline the score matching training objective utilized by GNSM and provide an open-source implementation of our work.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI