Representation Learning in Anomaly Detection: Successes, Limits and a Grand Challenge

要約

この展望論文では、異常検出における支配的なパラダイムは無限に拡張することはできず、最終的には根本的な限界に達するだろうと主張します。
これは、異常検出におけるフリーランチの原則がないためです。
これらの制限は、多くの産業タスクの場合と同様、強力なタスクが事前に存在する場合には克服できます。
このような事前分布が存在しない場合、異常検出のタスクは非常に困難になります。
私たちは、異常検出に対する壮大な課題として、i) 異常検出による科学的発見、ii) ImageNet データセット内で最も異常な画像を検出するという「ミニグランド」課題の 2 つのタスクを提示します。
これらの課題を克服するには、新しい異常検出ツールとアイデアを開発する必要があると考えています。

要約(オリジナル)

In this perspective paper, we argue that the dominant paradigm in anomaly detection cannot scale indefinitely and will eventually hit fundamental limits. This is due to the a no free lunch principle for anomaly detection. These limitations can be overcome when there are strong tasks priors, as is the case for many industrial tasks. When such priors do not exists, the task is much harder for anomaly detection. We pose two such tasks as grand challenges for anomaly detection: i) scientific discovery by anomaly detection ii) a ‘mini-grand’ challenge of detecting the most anomalous image in the ImageNet dataset. We believe new anomaly detection tools and ideas would need to be developed to overcome these challenges.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google