インタポレーションされたガウス記述子を用いたディープワンクラス分類

単クラス分類（One-class Classification, OCC）は、すべての正常な訓練サンプルを含む有効なデータ記述を学習し、その記述からの逸脱に基づいて異常を検出することを目的としています。現在の最先端OCCモデルは、超球体の最小化により正常性の緊密な記述を学習していますが、特に訓練データが少ない場合や異常サンプルが混入している場合、訓練データに過剰適合（overfitting）しやすいという課題を抱えています。この問題に対処するため、本研究では「補間されたガウス記述子（Interpolated Gaussian Descriptor, IGD）」という新しいOCCモデルを提案します。IGDは、敵対的に補間された訓練サンプルを用いて学習される単クラスガウス異常分類器を採用しています。このガウス異常分類器は、各訓練サンプルがガウス中心からの距離およびこれらの距離の標準偏差に基づいて分類を実施し、訓練過程において与えられたサンプルに対する識別能（discriminability）をモデルに与えます。また、敵対的補間により、訓練データが少ない場合や異常サンプルが混入している場合でも、滑らかで一貫したガウス記述子を学習するよう強制されます。これにより、モデルは代表的な正常サンプルに基づいてデータ記述を学習でき、端縁や異常サンプルに依存することを回避し、著しく改善された正常性記述を実現します。MNIST、Fashion MNIST、CIFAR10、MVTec AD、および2つの医療データセットを含む多様な代表的ベンチマークにおいて広範な実験を行った結果、IGDは現在の最先端モデルを上回る異常検出精度を達成しました。さらに、訓練データが少ない、あるいは汚染されている状況下でも、優れたロバスト性を示しました。実装コードは以下のURLから公開されています：https://github.com/tianyu0207/IGD。