설명 가능한 딥 소수 샷 이상 탐지 기법: 편차 네트워크를 활용한 방법

기존의 이상 탐지 기법들은 대부분 정상 데이터 또는 주로 정상 샘플로 구성된 레이블이 없는 데이터만을 사용하여 탐지 모델을 학습하는 데 집중하고 있다. 이러한 접근 방식의 명백한 문제점은 이상 샘플에 대한 지식이 부족하여 정상 샘플과 이상 샘플을 효과적으로 구분하지 못한다는 점이다. 본 연구에서는 소수의 레이블이 부여된 이상 샘플을 활용하여 샘플 효율적이고 구분력 있는 탐지 모델을 학습하는 '소수 샘플 이상 탐지(few-shot anomaly detection)' 문제를 탐구한다. 이를 해결하기 위해, 모든 가능한 이상 클래스를 설명하는 예시가 존재하지 않는다는 가정 없이도 탐지 모델을 학습할 수 있는 새로운 약한 지도 학습(weakly-supervised) 이상 탐지 프레임워크를 제안한다.구체적으로, 제안하는 방법은 레이블이 부여된 이상 샘플과 사전 확률(prior probability)을 활용하여 정상성(규칙성)을 구분력 있게 학습한다. 이는 정상 샘플의 표현을 표현력 있는 정상성 표현으로 강화하고, 비정상 샘플의 표현을 무제한으로 벗어나는 방향으로 유도함으로써 달성된다. 이를 위해 신경망 기반의 이상도 학습(neural deviation learning)을 기반으로 한 엔드 투 엔드 최적화를 통해 이상도 점수를 학습하며, 정상 샘플의 이상도 점수는 사전에서 샘플링된 스칼라 점수에 근접하도록 제약하고, 이상 샘플의 점수는 상위 꼬리부분에서 통계적으로 유의미한 편차를 가지도록 강제한다. 또한, 상위-K 다중 예제 학습(multiple-instance learning, MIL) 기반의 특징 부분공간 이상도 학습을 통해 정상성과 비정상성의 미세한 구조를 동시에 학습함으로써 더 일반화된 표현을 가능하게 한다.실제 이미지 이상 탐지 벤치마크 9개에 대한 종합적인 실험 결과, 제안 모델은 기존 최첨단 기법들보다 훨씬 뛰어난 샘플 효율성과 강건성을 보이며, 폐쇄 집합(closed-set) 및 개방 집합(open-set) 설정 모두에서 유의미하게 우수한 성능을 나타냈다. 또한, 사전 기반의 이상도 점수 학습 구조 덕분에 탐지 결과에 대한 설명 능력(explanation capability)을 제공할 수 있다. 코드 및 데이터셋은 다음 링크에서 제공된다: https://git.io/DevNet.