Zero-Shot 이상 탐지: 배치 정규화를 활용한 방법

이상 탐지(Anomaly Detection, AD)는 여러 안전 핵심 응용 분야에서 핵심적인 역할을 한다. 정상 데이터 분포의 변화(드리프트)에 이상 탐지기를 적응시키는 문제, 특히 새로운 정상 상태(new normal)에 대한 학습 데이터가 제공되지 않는 상황에서는 제로샷 이상 탐지 기법의 개발이 필요하게 되었다. 본 논문에서는 제로샷 배치 수준 이상 탐지(Zero-shot Batch-level AD)를 위한 간단하면서도 효과적인 방법인 적응형 중심 표현(Adaptive Centered Representations, ACR)을 제안한다. 본 방법은 기존의 딥 이상 탐지기(예: Deep SVDD)를 배치 정규화(Batch Normalization)와 결합하여 상호 관련된 여러 학습 데이터 분포에 적응하도록 훈련함으로써, 미지의 이상 탐지 작업에 대해 자동으로 제로샷 일반화를 가능하게 한다. 이 간단한 접근법—배치 정규화와 메타 학습의 조합—은 매우 효과적이고 유연한 도구로 나타났다. 이론적 결과는 미지의 이상 탐지 작업에 대한 제로샷 일반화를 보장하며, 실증적 결과는 표 형식 데이터에 대한 최초의 제로샷 이상 탐지 성과를 보여주며, 전문 분야의 이미지 데이터에서의 제로샷 이상 탐지 및 세그멘테이션 작업에서 기존 방법들을 모두 능가함을 입증한다. 코드는 다음 링크에서 확인할 수 있다: https://github.com/aodongli/zero-shot-ad-via-batch-norm