Core Concepts
限られた異常例を使用して、異なる分布からの未知の異常を検出するためのAnomaly Heterogeneity Learning(AHL)フレームワークが効果的であることを示す。
Abstract
現在のOSAD方法は、閉じた設定でトレーニングされており、見かけ上均一な分布からの異常例を扱っている。
AHLは、限られた訓練データを使用して多様な異常分布をシミュレートし、統一された異質性モデルを学習する新しいアプローチである。
CDLコンポーネントは、T個の基本モデルϕiから統一されたADモデルgを最適化する協力的微分可能学習を実行する。
さまざまなテストドメインでAHLが有効であり、DRAと比較して大幅に改善された結果が得られる。
Stats
現在のOSAD方法は、見かけ上均一な分布からの異常例として扱われている。
AHLはT個の基本モデルϕiから統一されたADモデルgを最適化する協力的微分可能学習を実行する。
Quotes
"Anomaly Heterogeneity Learning (AHL) can substantially enhance different state-of-the-art OSAD models in detecting seen and unseen anomalies."
"AHL is a generic framework that existing OSAD models can plug and play for enhancing their abnormality modeling."