From Zero to Hero: Cold-Start Anomaly Detection

要約

チャットボットで範囲外のクエリを検出するなど、初めて異常検出システムを導入するときは、観察されたデータがないため、データ駆動型のアプローチは効果的ではありません。
ゼロショット異常検出方法は、このような「コールドスタート」ケースに対する解決策を提供しますが、残念ながら、多くの場合、精度が十分ではありません。
この論文では、異常検出モデルがゼロショット ガイダンスを使用して初期化されるが、その後少数の汚染された観測値 (つまり、異常が含まれる可能性があるもの) を受信する、現実的だが十分に検討されていないコールド スタート設定について研究します。
目標は、ゼロショット誘導と観測の両方を効率的に使用することです。
私たちは、ゼロショット異常検出器を汚染された観測に効果的に適応させる方法である ColdFusion を提案します。
この新しい設定の将来の開発をサポートするために、評価プロトコルと評価基準で構成される評価スイートを提案します。

要約(オリジナル)

When first deploying an anomaly detection system, e.g., to detect out-of-scope queries in chatbots, there are no observed data, making data-driven approaches ineffective. Zero-shot anomaly detection methods offer a solution to such ‘cold-start’ cases, but unfortunately they are often not accurate enough. This paper studies the realistic but underexplored cold-start setting where an anomaly detection model is initialized using zero-shot guidance, but subsequently receives a small number of contaminated observations (namely, that may include anomalies). The goal is to make efficient use of both the zero-shot guidance and the observations. We propose ColdFusion, a method that effectively adapts the zero-shot anomaly detector to contaminated observations. To support future development of this new setting, we propose an evaluation suite consisting of evaluation protocols and metrics.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google