Concept Drift Challenge in Multimedia Anomaly Detection: A Case Study with Facial Datasets

要約

マルチメディアデータセットの異常検出は、広く研究されている分野です。
それでも、データのドリフトチャレンジという概念は、異常検出フレームワークの大部分によって無視されているか、十分に処理されていません。
最先端のアプローチでは、トレーニング時と展開時のデータ分散が同じであると想定しています。
ただし、実際のさまざまな環境要因により、データはその分布にドリフトが発生したり、将来的にあるクラスから別のクラスにドリフトしたりする可能性があります。
したがって、1回限りのトレーニング済みモデルでは十分に機能しない可能性があります。
この論文では、さまざまな検出モデルに対するコンセプトドリフトの影響を体系的に調査し、マルチメディアデータの異常検出のための修正された適応ガウス混合モデル（AGMM）ベースのフレームワークを提案します。
ベースラインのAGMMとは対照的に、提案されているAGMMの拡張は、ドリフトをより適切に処理するために、過去をより長い期間記憶します。
広範な実験分析は、提案されたモデルがベースラインAGMMと比較してデータのドリフトをより適切に処理することを示しています。
さらに、研究と提案されたフレームワークとの比較を容易にするために、サンプルとして顔を構成する3つのマルチメディアデータセットを提供します。
個人の顔のサンプルは、より長い時間的コンテキストを組み込むために10年以上の年齢差に対応します。

要約(オリジナル)

Anomaly detection in multimedia datasets is a widely studied area. Yet, the concept drift challenge in data has been ignored or poorly handled by the majority of the anomaly detection frameworks. The state-of-the-art approaches assume that the data distribution at training and deployment time will be the same. However, due to various real-life environmental factors, the data may encounter drift in its distribution or can drift from one class to another in the late future. Thus, a one-time trained model might not perform adequately. In this paper, we systematically investigate the effect of concept drift on various detection models and propose a modified Adaptive Gaussian Mixture Model (AGMM) based framework for anomaly detection in multimedia data. In contrast to the baseline AGMM, the proposed extension of AGMM remembers the past for a longer period in order to handle the drift better. Extensive experimental analysis shows that the proposed model better handles the drift in data as compared with the baseline AGMM. Further, to facilitate research and comparison with the proposed framework, we contribute three multimedia datasets constituting faces as samples. The face samples of individuals correspond to the age difference of more than ten years to incorporate a longer temporal context.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google