Explicit Boundary Guided Semi-Push-Pull Contrastive Learning for Supervised Anomaly Detection

要約

タイトル：明示的な境界に基づくセミプッシュプル対比学習による教師あり異常検知

要約：
– 異常検知の多くのモデルは、非教師ありの正常サンプルのみを使用して学習されるため、曖昧な決定境界や不十分な識別力が生じることがある。
– リアルワールドのアプリケーションでは、多くの異常サンプルが用意されていないことが一般的であるが、既知の異常に関する貴重な知識は有効に利用されるべきである。
– しかし、トレーニング中にわずかな既知の異常を利用すると、モデルが既知の異常にバイアスをかけ、未知の異常に一般化できなくなる可能性がある。
– 本研究では、わずかな利用可能な異常を使用してADモデルを学習し、見える異常と見えない異常の両方を検出する教師あり異常検出に取り組みます。
– 新しい明示的な境界に基づくセミプッシュプル対比学習メカニズムを提案し、バイアス問題を緩和しながらモデルの識別力を向上させることができます。
– このアプローチは、2つの核心設計に基づいています。まず、正常な特徴分布に依存する明示的かつコンパクトな分離境界を見つけます。 2つ目に、境界に沿って一定のマージン領域を超えて異常な特徴を分離し、正常な特徴を引き連れる限定的なプッシュプル損失を開発します。
– これにより、モデルは、既知の異常と未知の異常を正常なサンプルからより効果的に区別するためにより明確な識別境界を形成できます。 コードはhttps://github.com/xcyao00/BGADで利用可能になります。

要約(オリジナル)

Most anomaly detection (AD) models are learned using only normal samples in an unsupervised way, which may result in ambiguous decision boundary and insufficient discriminability. In fact, a few anomaly samples are often available in real-world applications, the valuable knowledge of known anomalies should also be effectively exploited. However, utilizing a few known anomalies during training may cause another issue that the model may be biased by those known anomalies and fail to generalize to unseen anomalies. In this paper, we tackle supervised anomaly detection, i.e., we learn AD models using a few available anomalies with the objective to detect both the seen and unseen anomalies. We propose a novel explicit boundary guided semi-push-pull contrastive learning mechanism, which can enhance model’s discriminability while mitigating the bias issue. Our approach is based on two core designs: First, we find an explicit and compact separating boundary as the guidance for further feature learning. As the boundary only relies on the normal feature distribution, the bias problem caused by a few known anomalies can be alleviated. Second, a boundary guided semi-push-pull loss is developed to only pull the normal features together while pushing the abnormal features apart from the separating boundary beyond a certain margin region. In this way, our model can form a more explicit and discriminative decision boundary to distinguish known and also unseen anomalies from normal samples more effectively. Code will be available at https://github.com/xcyao00/BGAD.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI