Exploiting Autoencoder’s Weakness to Generate Pseudo Anomalies

要約

異常イベントはまれに発生するため、異常検出の一般的なアプローチは、オートエンコーダー (AE) を通常のデータのみでトレーニングし、通常のトレーニング データのパターンまたは表現を学習することです。
テスト時には、トレーニングされた AE は正常なデータをうまく再構築することが期待されますが、異常なデータはあまり再構築されません。
しかし、予想に反して、異常なデータも適切に再構築されることがよくあります。
正常データと異常データ間の再構成品質をさらに分離するために、前述の AE の弱点、つまり異常の再構成があまりにも適切であることを利用して、学習した適応ノイズから擬似異常を作成することを提案します。
発生したノイズを正常なデータに加算し、擬似的な異常を生成します。
Ped2、Avenue、ShanghaiTech、CIFAR-10、および KDDCUP データセットに関する広範な実験により、異常検出における AE の識別能力の向上における私たちのアプローチの有効性と一般的な適用可能性が実証されました。

要約(オリジナル)

Due to the rare occurrence of anomalous events, a typical approach to anomaly detection is to train an autoencoder (AE) with normal data only so that it learns the patterns or representations of the normal training data. At test time, the trained AE is expected to well reconstruct normal but to poorly reconstruct anomalous data. However, contrary to the expectation, anomalous data is often well reconstructed as well. In order to further separate the reconstruction quality between normal and anomalous data, we propose creating pseudo anomalies from learned adaptive noise by exploiting the aforementioned weakness of AE, i.e., reconstructing anomalies too well. The generated noise is added to the normal data to create pseudo anomalies. Extensive experiments on Ped2, Avenue, ShanghaiTech, CIFAR-10, and KDDCUP datasets demonstrate the effectiveness and generic applicability of our approach in improving the discriminative capability of AEs for anomaly detection.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google