Core Concepts
장기 꼬리 이상치 탐지를 위해 다양한 수준의 클래스 불균형을 가진 데이터셋과 성능 평가 지표를 제안하고, 클래스 이름에 의존하지 않고 다중 클래스 이상치를 탐지할 수 있는 LTAD 방법을 제안한다.
Abstract
이 논문은 장기 꼬리 이상치 탐지 문제를 다룬다. 먼저 다양한 수준의 클래스 불균형을 가진 데이터셋과 성능 평가 지표를 제안한다. 그리고 LTAD라는 새로운 방법을 제안한다. LTAD는 재구성 기반 이상치 탐지와 의미 기반 이상치 탐지를 결합한다.
재구성 기반 이상치 탐지는 변환기 기반 재구성 모듈을 사용하여 구현된다. 의미 기반 이상치 탐지는 학습된 의사 클래스 이름과 사전 학습된 기반 모델을 사용하는 이진 분류기를 통해 구현된다.
이 두 모듈은 두 단계에 걸쳐 학습된다. 1단계에서는 의사 클래스 이름과 장기 꼬리 문제를 해결하기 위한 변분 오토인코더(VAE)를 학습한다. 2단계에서는 재구성 모듈과 분류 모듈의 매개변수를 학습한다.
실험 결과, LTAD는 대부분의 장기 꼬리 데이터셋에서 최신 이상치 탐지 방법들을 능가하는 성능을 보였다. 또한 LTAD의 각 구성 요소가 성능 향상에 기여함을 확인했다.
Stats
장기 꼬리 데이터셋의 최대 클래스 샘플 수는 MVTec 391, VisA 905, DAGM 1000이다.
고려한 불균형 요인 β는 MVTec {100, 200}, VisA {100, 200, 500}, DAGM {50, 100, 200, 500}이다.
Quotes
"장기 꼬리 AD 문제를 해결하기 위해 다양한 수준의 클래스 불균형을 가진 데이터셋과 성능 평가 지표를 제안한다."
"LTAD는 재구성 기반 이상치 탐지와 의미 기반 이상치 탐지를 결합하여 클래스 이름에 의존하지 않고 다중 클래스 이상치를 탐지할 수 있다."
"실험 결과, LTAD는 대부분의 장기 꼬리 데이터셋에서 최신 이상치 탐지 방법들을 능가하는 성능을 보였다."