Lifelong Continual Learning for Anomaly Detection: New Challenges, Perspectives, and Insights

要約

異常検出は、進化する動作を特徴とする多くの実世界のドメインにおいて最も重要です。
生涯学習は新たなトレンドを表しており、過去の知識を保持しながら、動的な環境における新しい課題に継続的に適応する機械学習モデルのニーズに応えます。
ただし、生涯にわたって異常を検出するための基盤を構築するための取り組みは限られており、より広く検討されている分類設定とは本質的に異なる課題が生じます。
このホワイトペーパーでは、生涯にわたる異常検出を調査、動機付け、議論することでこの問題に取り組み、広く普及するための基盤を構築しようとします。
まず、生涯にわたる異常検出がなぜ関連するのかを説明し、生涯にわたる学習の複雑さに対処する異常検出方法を設計するための課題と機会を定義します。
次に、研究者が既存のデータセットを使用して生涯にわたって異常検出を実験できるようにする学習設定とシナリオ生成手順を特徴付けます。
3 番目に、提案された生涯シナリオに対して一般的な異常検出手法を使用した実験を実行し、生涯学習の導入によって得られるパフォーマンスのギャップを強調します。
全体として、環境の包括的なビューを提供し、適応と知識の保持を同時に提供する、より堅牢なモデルを設計するには、生涯にわたる異常検出の採用が重要であると結論付けています。

要約(オリジナル)

Anomaly detection is of paramount importance in many real-world domains, characterized by evolving behavior. Lifelong learning represents an emerging trend, answering the need for machine learning models that continuously adapt to new challenges in dynamic environments while retaining past knowledge. However, limited efforts are dedicated to building foundations for lifelong anomaly detection, which provides intrinsically different challenges compared to the more widely explored classification setting. In this paper, we face this issue by exploring, motivating, and discussing lifelong anomaly detection, trying to build foundations for its wider adoption. First, we explain why lifelong anomaly detection is relevant, defining challenges and opportunities to design anomaly detection methods that deal with lifelong learning complexities. Second, we characterize learning settings and a scenario generation procedure that enables researchers to experiment with lifelong anomaly detection using existing datasets. Third, we perform experiments with popular anomaly detection methods on proposed lifelong scenarios, emphasizing the gap in performance that could be gained with the adoption of lifelong learning. Overall, we conclude that the adoption of lifelong anomaly detection is important to design more robust models that provide a comprehensive view of the environment, as well as simultaneous adaptation and knowledge retention.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google