MADCluster: Model-agnostic Anomaly Detection with Self-supervised Clustering Network

要約

この論文では、自己補助クラスタリングを利用した新しいモデルに依存しない異常検出フレームワークであるMadClusterを提案します。
MadClusterは、さまざまな深い学習アーキテクチャに適用され、既存の深い学習ベースの異常検出方法に固有の「ハイパースフィア崩壊」問題に対処します。
コアのアイデアは、通常のパターンデータを「単一クラスター」にクラスター化し、同時にクラスターセンターを学習し、このセンターに近いデータをマッピングすることです。
また、表現力を向上させ、効果的な単一クラスタリングを可能にするために、新しい「一方向の適応損失」を提案します。
この損失の最適化は数学的に証明されています。
MadClusterは、高次元の時間的ダイナミクスのキャプチャ、クラスター距離マッピング、および連続センターアップデートのシーケンスごとのクラスタリングの3つの主要なコンポーネントで構成されています。
そのモデルに依存しない特性は、さまざまなアーキテクチャをベース埋め込みに適用することで達成されます。
4つの時系列ベンチマークデータセットの実験は、MadClusterを適用することで比較モデルの全体的なパフォーマンスが向上することを示しています。
結論として、MadClusterの互換性は、さまざまなアーキテクチャ全体でモデルのパフォーマンスを向上させる可能性を示しています。

要約(オリジナル)

In this paper, we propose MADCluster, a novel model-agnostic anomaly detection framework utilizing self-supervised clustering. MADCluster is applicable to various deep learning architectures and addresses the ‘hypersphere collapse’ problem inherent in existing deep learning-based anomaly detection methods. The core idea is to cluster normal pattern data into a ‘single cluster’ while simultaneously learning the cluster center and mapping data close to this center. Also, to improve expressiveness and enable effective single clustering, we propose a new ‘One-directed Adaptive loss’. The optimization of this loss is mathematically proven. MADCluster consists of three main components: Base Embedder capturing high-dimensional temporal dynamics, Cluster Distance Mapping, and Sequence-wise Clustering for continuous center updates. Its model-agnostic characteristics are achieved by applying various architectures to the Base Embedder. Experiments on four time series benchmark datasets demonstrate that applying MADCluster improves the overall performance of comparative models. In conclusion, the compatibility of MADCluster shows potential for enhancing model performance across various architectures.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google