異常検知は少数の異常サンプルを用いた教師あり学習で十分！？従来の異常検知手法を再考してみる！

3つの要点
✔️ 正常データのみで学習させるという異常検知の通常のアプローチを再考
✔️ 少数の異常サンプルと正常サンプルの教師あり学習（二値分類タスク）でSOTAを達成
✔️ 異常サンプルの解像度が高い場合には、異常サンプルを使うアプローチは有効

Rethinking Assumptions in Deep Anomaly Detection
written by Mingyi Zhou, Jing Wu, Yipeng Liu, Shuaicheng Liu, Ce Zhu
Comments: 22 pages, preprint
Subjects:Machine Learning (cs.LG); Machine Learning (stat.ML) 

 

Code

はじめに

異常検知とは、正常データとは異なる異常なデータを検出するタスクのことを指し、非常に広く使用されている技術です。例えば、製造業において不良品を検出するような場面によく使用されていたり、不審な行動や物を検知するといった警備においてもこれから増々重要性を帯びていく技術であると考えられます。

異常検知は、正常データと異常データを分類する二値分類タスクと考えられます。しかし、一般的な二値分類とは異なり、異常検知では異常サンプルが手に入りにくいことから、正常サンプルだけで異常検知モデルを学習するアプローチがよくとられます。しかし、異常データが入りにくいとはいえ、まったく取得できないわけでは無く、少数のサンプルが入ることが一般的には期待されます。その場合に、果たして現状の正常データのみでモデルを学習させるアプローチは最善なアプローチといえるのでしょうか。つまり、少数の異常データを活用するアプローチは無視されるものなのでしょうか。

今回、紹介する論文では、現状の異常検知のアプローチを再考するものとなっています。正常データのみで学習させる手法、異常データを補助的なデータとみなすアプローチ、そして単純な二値分類のタスクで実験を行い、各手法の精度を計測しています。その結果、少量の異常データが取得できる状況においては、単純な二値分類タスクとして解くことでSOTAを達成することが分かりました。以下では、従来手法の紹介・提案手法・実施した実験内容について説明します。 

• 
• 
• 

この記事に関するカテゴリー

• 画像認識
• 深層学習
• 異常検知
• Out-Of-Distribution