要約
無教師異常検出は大規模な産業製造分野において重要な役割を果たしている。近年の手法では、自然画像上で事前に学習された分類器を活用して、特定の層から代表的な特徴量を抽出する利点を活かしている。得られた特徴量は、その後さまざまな処理手法を用いて処理される。特にメモリバンクに基づく手法は、優れた精度を示しているが、その一方で遅延（latency）の増大というトレードオフを伴うことが多く、リアルタイム性が求められる産業応用において課題となっている。実際、知識蒸留（knowledge distillation）や正規化フロー（normalized flow）といった代替的手法は、低遅延を維持しつつ、無教師異常検出において有望な性能を示している。本論文では、無教師異常検出の文脈において知識蒸留の概念を見直し、特徴選択の重要性に焦点を当てる。特徴の選択と利用に注目し、異なるモデルを用いて特徴量の選別を慎重に行うことで、異常検出というタスクに特化した関連性の高い特徴を効果的に活用する意義を強調する。本稿では、二重モデルに基づく知識蒸留を活用した新しい異常検出手法を提案する。本手法は、深層と浅層の両方の層を活用することで、多様な意味的情報を統合することを可能としている。