Anomaly Heterogeneity Learning for Open-set Supervised Anomaly Detection

要約

最近登場した異常検出分野であるオープンセット教師あり異常検出 (OSAD) は、トレーニング中に確認された異常クラスのいくつかのサンプルを利用して、目に見えない異常 (つまり、オープンセット異常クラスのサンプル) を検出すると同時に、目に見える異常を効果的に特定することを目的としています。
異常。
見られる異常によって示される事前知識の恩恵を受けることで、現在の OSAD 手法は多くの場合、誤検知エラーを大幅に削減できます。
ただし、これらの方法は異常の例を均一な分布からのものとして扱うため、任意の分布から引き出される可能性のある目に見えない異常を一般化する場合には効果が低くなります。
この論文では、この問題に対処するために、限られた異常例を使用して異種異常分布を学習することを提案します。
この目的を達成するために、我々は、異種異質性学習 (AHL) という新しいアプローチを導入します。このアプローチは、異種 (目に見えるものと見えないもの) の異常分布の多様なセットをシミュレートし、それらを利用して統一された異種異常モデルを学習します。
さらに、AHL は、異常モデリングを強化するために既存の OSAD モデルをプラグアンドプレイできる汎用フレームワークです。
9 つの現実世界の異常検出データセットに対する広範な実験により、AHL は 1) 目に見える異常と目に見えない異常の両方の検出において、さまざまな最先端 (SOTA) OSAD モデルを大幅に強化し、大規模なデータセットで新しい SOTA パフォーマンスを達成できることが示されています。
2) 新しいターゲット ドメインの目に見えない異常を効果的に一般化します。

要約(オリジナル)

Open-set supervised anomaly detection (OSAD) – a recently emerging anomaly detection area – aims at utilizing a few samples of anomaly classes seen during training to detect unseen anomalies (i.e., samples from open-set anomaly classes), while effectively identifying the seen anomalies. Benefiting from the prior knowledge illustrated by the seen anomalies, current OSAD methods can often largely reduce false positive errors. However, these methods treat the anomaly examples as from a homogeneous distribution, rendering them less effective in generalizing to unseen anomalies that can be drawn from any distribution. In this paper, we propose to learn heterogeneous anomaly distributions using the limited anomaly examples to address this issue. To this end, we introduce a novel approach, namely Anomaly Heterogeneity Learning (AHL), that simulates a diverse set of heterogeneous (seen and unseen) anomaly distributions and then utilizes them to learn a unified heterogeneous abnormality model. Further, AHL is a generic framework that existing OSAD models can plug and play for enhancing their abnormality modeling. Extensive experiments on nine real-world anomaly detection datasets show that AHL can 1) substantially enhance different state-of-the-art (SOTA) OSAD models in detecting both seen and unseen anomalies, achieving new SOTA performance on a large set of datasets, and 2) effectively generalize to unseen anomalies in new target domains.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google