Don’t Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection

要約

異常検出 (AD) は、学習された正規性モデルに準拠しない観測値を特定することを含む重要なタスクです。
ディープ AD におけるこれまでの研究は主に、よく知られた特徴が事前トレーニングされた埋め込み空間の参照として機能する、精通仮説に基づいています。
この戦略は非常に成功していることが証明されていますが、異常が事前トレーニングされたエンコーディングでは十分に捕捉されない真に新しい特徴で構成されている場合、一貫した偽陰性が発生することが判明しました。
我々は、説明可能性を利用して、入力空間における説明のつかない観測などの新しい特徴を捕捉する、AD への新しいアプローチを提案します。
ハイブリッド アプローチで親しみやすさと目新しさを組み合わせることで、幅広い異常ベンチマークにわたって優れたパフォーマンスを実現します。
私たちのアプローチは、複数のベンチマークにわたって新しい最先端を確立し、高価なバックグラウンド モデルや高密度のマッチングの必要性を排除しながら、多様な異常タイプを処理します。
特に、新しい機能を考慮することで、最先端のベンチマークと比較して、困難なベンチマークで偽陰性異常が最大 40% 減少することを示します。
私たちの方法は、ピクセルレベルの異常について視覚的に検査可能な説明を提供します。

要約(オリジナル)

Anomaly Detection (AD) is a critical task that involves identifying observations that do not conform to a learned model of normality. Prior work in deep AD is predominantly based on a familiarity hypothesis, where familiar features serve as the reference in a pre-trained embedding space. While this strategy has proven highly successful, it turns out that it causes consistent false negatives when anomalies consist of truly novel features that are not well captured by the pre-trained encoding. We propose a novel approach to AD using explainability to capture such novel features as unexplained observations in the input space. We achieve strong performance across a wide range of anomaly benchmarks by combining familiarity and novelty in a hybrid approach. Our approach establishes a new state-of-the-art across multiple benchmarks, handling diverse anomaly types while eliminating the need for expensive background models and dense matching. In particular, we show that by taking account of novel features, we reduce false negative anomalies by up to 40% on challenging benchmarks compared to the state-of-the-art. Our method gives visually inspectable explanations for pixel-level anomalies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google