説明可能なディープワンクラス分類

異常検出を目的とした深層ワンクラス分類の変種は、特徴空間において正常なサンプルを集中させる写像を学習する一方で、異常なサンプルはその外側に写像される。この変換は非常に非線形であるため、その解釈を獲得することは大きな課題である。本論文では、写像されたサンプル自体が解釈可能なヒートマップとして機能する、説明可能な深層ワンクラス分類手法である「完全畳み込みデータ記述（Fully Convolutional Data Description: FCDD）」を提案する。FCDDはCIFAR-10およびImageNetを用いた一般的な異常検出ベンチマークにおいて、競争力ある検出性能を示すとともに、合理的な解釈を提供する。さらに、最近の製造業用データセットMVTec-AD（真の異常マップが提供される）において、無監督設定で新たな最良性能（SOTA）を達成した。本手法は学習中に真の異常マップを組み込むことができ、わずか数枚（約5枚）の真の異常マップを用いるだけでも性能が著しく向上することが示された。最後に、FCDDの解釈結果を活用して、深層ワンクラス分類モデルが画像の偽の特徴（例えば画像ウォーターマークなど）に対して脆弱であることを実証した。