Détection Profonde d'Anomalies avec Exposition aux Éléments Atypiques

Il est crucial de détecter les entrées anormales lors du déploiement de systèmes d'apprentissage automatique. L'utilisation d'entrées plus grandes et plus complexes dans l'apprentissage profond augmente la difficulté de distinguer entre des exemples anormaux et des exemples en distribution. En même temps, des données d'images et de texte diversifiées sont disponibles en quantités considérables. Nous proposons d'utiliser ces données pour améliorer la détection profonde des anomalies en formant des détecteurs d'anomalies contre un jeu de données auxiliaire d'outliers, une approche que nous appelons Exposition aux Outliers (OE). Cela permet aux détecteurs d'anomalies de généraliser et de détecter des anomalies non vues. Dans des expériences étendues sur le traitement automatique du langage naturel et des tâches visuelles à petite et grande échelle, nous constatons que l'Exposition aux Outliers améliore significativement les performances de détection. Nous observons également que les modèles génératifs de pointe formés sur CIFAR-10 peuvent attribuer des probabilités plus élevées aux images SVHN qu'aux images CIFAR-10 ; nous utilisons l'OE pour atténuer ce problème. Nous analysons également la flexibilité et la robustesse de l'Exposition aux Outliers, et identifions les caractéristiques du jeu de données auxiliaire qui améliorent les performances.