AltUB：異常検出を目的とした正規化フローのベース分布を更新するための交互学習手法

近年、異常データの限界があることから、さまざまな実用的領域において教師なし異常検出が注目を集めている。その主要なアプローチの一つとして、画像などの複雑な分布を、N(0, I)のような簡単な分布に逆写像可能な変換（正規化フロー）を用いる手法が挙げられる。実際、FastFlowやCFLOW-ADなど正規化フローに基づくアルゴリズムは、教師なし異常検出タスクにおいて最先端の性能を達成している。しかしながら、本研究では、これらのアルゴリズムが正常画像を目的としているN(0, I)ではなく、任意の正常分布に変換していること、さらに性能が不安定であることを明らかにした。これは、検証用データが提供されない教師なしタスクにおいて極めて重大な課題である。こうした問題を克服するために、我々は正規化フローのベース分布を更新するための交互学習（alternating training）を導入するシンプルな解決策、AltUBを提案する。AltUBは正規化フローの性能安定性を著しく向上させ、さらにMVTec ADデータセットにおける異常セグメンテーションタスクで98.8%のAUROCを達成し、新たな最先端性能を記録した。