説明可能なディープ少サンプル異常検出におけるデバイエーションネットワーク

従来の異常検出パラダイムは、主に正常データまたはラベルなしデータ（主に正常サンプル）のみを用いて検出モデルを学習することに注力している。このようなアプローチの著しい課題の一つは、異常に関する知識が欠如しているため、正常サンプルと異常サンプルを効果的に区別できない点にある。本研究では、少数のラベル付き異常サンプルを用いて、サンプル効率の高い識別的な検出モデルを学習することを目的とする「少サンプル異常検出（few-shot anomaly detection）」の問題に着目する。この課題に対処するため、すべての可能な異常クラスを示すサンプルを仮定せずに、検出モデルを学習可能な新しい弱教師付き異常検出フレームワークを提案する。具体的には、提案手法はラベル付き異常サンプルと事前確率（prior probability）を活用することで、識別的な正常性（規則性）を学習する。この際、正常性の表現を豊かにし、異常性の表現を無制限に逸脱させるように設計されている。これは、ニューラルデバイエーション学習（neural deviation learning）を用いたエンドツーエンド最適化により、異常スコアを実現する。具体的には、正常サンプルの異常スコアが事前分布から抽出されたスカラー値に近づくように制約し、異常サンプルのスコアは上側尾部（upper tail）において統計的に有意な逸脱を示すように強制する。さらに、本モデルは、トップ-Kの複数インスタンス学習（multiple-instance-learning）に基づく特徴部分空間のデバイエーション学習により、細粒度な正常性および異常性を学習するよう最適化されており、より汎化性の高い表現を可能にする。9つの実世界画像異常検出ベンチマークにおける包括的な実験の結果、本モデルは従来の最先端手法と比較して、はるかにサンプル効率が高く、ロバスト性に優れ、閉集合（closed-set）および開集合（open-set）設定の両方で顕著な性能向上を達成した。また、事前確率に基づく異常スコア学習の特性により、本モデルは検出結果の説明可能性（explanation capability）を備えていることも明らかになった。コードおよびデータセットは以下のURLで公開されている：https://git.io/DevNet。