マルチスケール対照メモリによる統一異常検出

科学分野:

• コンピュータサイエンス
• 人工知能
• 機械学習

背景:

• 深層異常検出モデルは、エッジケースの正規サンプルや変化する異常スケールに苦労しています。
• 現在の方法には、教師なし（UNS）および不均衡教師あり（IMS）異常検出設定の両方に対する統一フレームワークが欠けています。

研究 の 目的:

• UNSおよびIMS設定における制限に対処する、深層異常検出のための新しい統一フレームワークを開発すること。
• エッジケースの正規サンプルに対する堅牢性を向上させ、多様な異常スケールにわたってパフォーマンスを維持すること。

主な方法:

• 異常度スコアリングのためのマルチスケール正規プロトタイプを活用した2段階法。
• 共同表現とマルチスケールメモリモジュール学習のためのメモリ拡張対照学習。
• 学習済みプロトタイプを使用した空間偏差マップを計算する異常距離ベースの検出器。

主要な成果:

• 様々な異常（オブジェクト、スタイル、ローカル）およびアプリケーション（産業用検査、顔偽造防止）で最先端（SoTA）モデルを上回ります。
• SoTAの分布外検出器に匹敵するパフォーマンスを達成します。
• 分野初の、教師なし（UNS）および不均衡教師あり（IMS）設定の両方で例外的かつ一貫したパフォーマンスを示します。

結論:

• 提案された方法は、UNSおよびIMSシナリオの両方における深層異常検出のための堅牢で統一されたソリューションを提供します。
• マルチスケールプロトタイプアプローチは、正規データの機能を効果的に捉え、異常の複雑さに適応します。
• この研究は、特に困難なエッジケースや多様な異常タイプに対する異常検出機能を前進させます。