要約
新規性検出（novelty detection）とは、与えられたサンプルが訓練分布外から抽出されたものかどうかを識別する問題であり、信頼性の高い機械学習システムにおいて不可欠な要素である。この目的のため、新規性検出に適した表現（representation）を学習し、その表現に基づいてスコアを設計する試みが多数行われてきた。本論文では、視覚表現における対照学習（contrastive learning）の近年の成功をヒントに、単純ながら効果的な手法「対照的シフトインスタンス（Contrasting Shifted Instances, CSI）」を提案する。具体的には、従来の対照学習手法がサンプルと他のインスタンスとの対照を行うのに対し、我々の訓練スキームは、与えられたサンプルを自身の分布シフト付きの拡張（distributionally-shifted augmentations）と対照する点に特徴がある。この訓練スキームに基づき、新たに提案する検出スコアを設計した。実験の結果、さまざまな新規性検出シナリオ（ラベルなし1クラス、ラベルなし複数クラス、ラベル付き複数クラス）において、複数の画像ベンチマークデータセット上で本手法が優れた性能を発揮することが示された。コードおよび事前学習済みモデルは、https://github.com/alinlab/CSI にて公開されている。