要約
本稿では、深層ワンクラス分類のための二段階フレームワークを提案する。まず、ワンクラスデータから自己教師あり表現を学習し、次に学習された表現上にワンクラス分類器を構築する。このフレームワークは、より優れた表現を学習可能であるだけでなく、ターゲットタスクに忠実なワンクラス分類器の構築を可能にする。我々は、生成モデルや判別モデルにおける統計的視点に基づく分類器が、従来の手法（例えば、代替分類器からの正規性スコア）よりも効果的であると主張する。提案フレームワーク下で、ワンクラス分類のためのさまざまな自己教師あり表現学習アルゴリズムを包括的に評価した。さらに、データ拡張により学習分布を拡張する新しい分布拡張型コントラスト学習を提案し、コントラスト表現の均一性を阻害することで、表現の質を向上させる。実験において、視覚領域におけるワンクラス分類ベンチマーク（新奇性検出および異常検出を含む）で最先端の性能を達成した。最後に、視覚的な説明を提示し、深層ワンクラス分類器の意思決定プロセスが人間にとって直感的であることを確認した。コードは https://github.com/google-research/deep_representation_one_class にて公開されている。