AnoOnly: Semi-Supervised Anomaly Detection without Loss on Normal Data

要約

半教師あり異常検出 (SSAD) 手法は、ショット数は少ないが有益な異常インスタンスを活用することで、教師なし異常検出 (UAD) を強化する有効性を実証しています。
ただし、均質な正常データが異常よりも優勢であるため、SSAD モデルは異常を効果的に認識できないようにバイアスがかかります。
この問題に対処し、著しく不均衡な正常データと異常データの間でバランスの取れた監視を実現するために、私たちは AnoOnly (Anomaly Only) と呼ばれる新しいフレームワークを開発しました。
厳格な損失監視に頼る既存の SSAD 手法とは異なり、AnoOnly はそれを一時停止し、通常のデータに対して弱い監視の形式を導入します。
この弱い監視は、通常のデータに対して暗黙的にクラスター学習を実行するバッチ正規化の利用を通じてインスタンス化されます。
提案された AnoOnly は、既存の SSAD 手法に統合されると、さまざまなモデルやデータセットにわたって顕著なパフォーマンスの向上を示し、新しい最先端のパフォーマンスを実現します。
さらに、当社の AnoOnly は、データ汚染が発生した場合のラベル ノイズに対してネイティブに堅牢です。
私たちのコードは https://github.com/cool-xuan/AnoOnly で公開されています。

要約(オリジナル)

Semi-supervised anomaly detection (SSAD) methods have demonstrated their effectiveness in enhancing unsupervised anomaly detection (UAD) by leveraging few-shot but instructive abnormal instances. However, the dominance of homogeneous normal data over anomalies biases the SSAD models against effectively perceiving anomalies. To address this issue and achieve balanced supervision between heavily imbalanced normal and abnormal data, we develop a novel framework called AnoOnly (Anomaly Only). Unlike existing SSAD methods that resort to strict loss supervision, AnoOnly suspends it and introduces a form of weak supervision for normal data. This weak supervision is instantiated through the utilization of batch normalization, which implicitly performs cluster learning on normal data. When integrated into existing SSAD methods, the proposed AnoOnly demonstrates remarkable performance enhancements across various models and datasets, achieving new state-of-the-art performance. Additionally, our AnoOnly is natively robust to label noise when suffering from data contamination. Our code is publicly available at https://github.com/cool-xuan/AnoOnly.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google