Anomaly Detection Requires Better Representations

要約

異常検出は、科学と産業の中心的なタスクである異常な現象を特定しようとします。
異常はトレーニング中に予期せず不明であるため、タスクは本質的に教師なしです。
最近の自己教師あり表現学習の進歩は、異常検出の改善に直接つながっています。
このポジション ペーパーでは、最初に、一般的に報告されている異常検出ベンチマークで最先端のパフォーマンスを達成するために、自己教師あり表現を簡単に使用する方法について説明します。
次に、次世代の異常検出タスクに取り組むには、表現学習における新しい技術的および概念的な改善が必要であると主張します。

要約(オリジナル)

Anomaly detection seeks to identify unusual phenomena, a central task in science and industry. The task is inherently unsupervised as anomalies are unexpected and unknown during training. Recent advances in self-supervised representation learning have directly driven improvements in anomaly detection. In this position paper, we first explain how self-supervised representations can be easily used to achieve state-of-the-art performance in commonly reported anomaly detection benchmarks. We then argue that tackling the next generation of anomaly detection tasks requires new technical and conceptual improvements in representation learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google