Zero-Shot Batch-Level Anomaly Detection

要約

異常検出 (AD) は、安全性が重視される多くのアプリケーション ドメインで重要な役割を果たします。
特に「新常態」に対応するトレーニング データが利用できない場合に、異常検出器を正常データ分布のドリフトに適応させるという課題が、ゼロショット AD 技術の開発につながりました。
この論文では、ゼロショットのバッチレベル AD のための適応中心表現 (ACR) と呼ばれるシンプルかつ効果的な方法を提案します。
私たちのアプローチでは、既製のディープ異常検出器 (ディープ SVDD など) をトレーニングして、バッチ正規化と組み合わせて相互に関連するトレーニング データの分布セットに適応させ、目に見えない AD タスクの自動ゼロショット一般化を可能にします。
このシンプルなレシピ、バッチ正規化とメタトレーニングは、非常に効果的で多用途のツールです。
私たちの結果は、表形式データに対する最初のゼロショット AD 結果を実証し、特殊なドメインからの画像データのゼロショット異常検出とセグメンテーションにおいて既存の方法を上回っています。

要約(オリジナル)

Anomaly detection (AD) plays a crucial role in many safety-critical application domains. The challenge of adapting an anomaly detector to drift in the normal data distribution, especially when no training data is available for the ‘new normal’, has led to the development of zero-shot AD techniques. In this paper, we propose a simple yet effective method called Adaptive Centered Representations (ACR) for zero-shot batch-level AD. Our approach trains off-the-shelf deep anomaly detectors (such as deep SVDD) to adapt to a set of inter-related training data distributions in combination with batch normalization, enabling automatic zero-shot generalization for unseen AD tasks. This simple recipe, batch normalization plus meta-training, is a highly effective and versatile tool. Our results demonstrate the first zero-shot AD results for tabular data and outperform existing methods in zero-shot anomaly detection and segmentation on image data from specialized domains.

arxiv情報

著者 Aodong Li,Chen Qiu,Marius Kloft,Padhraic Smyth,Maja Rudolph,Stephan Mandt
発行日 2023-05-30 15:34:01+00:00
arxivサイト arxiv_id(pdf)

提供元, 利用サービス

arxiv.jp, Google

カテゴリー: cs.AI, cs.LG パーマリンク