Old is Gold: adversarially Learned One-Class Classifierのトレーニングパラダイムの再定義

異常検出の代表的な手法の一つとして、敵対的ネットワークの生成器を用いて入力の再構成誤差に基づく異常スコアを定式化する方法が挙げられる。しかし、異常事象は稀にしか発生しないため、このようなネットワークの最適化はしばしば困難な課題となる。別のアプローチとして、生成器と識別器の両方を異常検出に活用する方法も検討可能である。しかしながら、敵対的学習の導入により、このモデルは訓練ステップごとに性能が大きく変動するなど、安定性に欠ける傾向がある。本研究では、広範な訓練ステップにわたり安定した結果を効果的に生成できるフレームワークを提案する。これにより、敵対的モデルの生成器と識別器を同時に活用し、効率的かつ堅牢な異常検出が可能となる。本手法の核心は、識別器の基本的な役割を「本物と偽物のデータを識別する」ことから、「高品質な再構成と低品質な再構成を区別する」ものへと転換することにある。具体的には、現在の生成器を用いて高品質な再構成例を準備し、同一生成器の過去の状態（古いパラメータ）を用いて低品質な再構成例を取得する。このようにして、識別器は異常入力の再構成にしばしば見られる微細な歪みを検出する能力を学習する。Caltech-256およびMNIST画像データセットを用いた新奇性検出に関する広範な実験では、優れた性能が確認された。さらに、UCSD Ped2動画データセットを用いた異常検出においては、フレーム単位のAUCが98.1%を達成し、最近の最先端手法を上回る結果を示した。