초록
최근 미세한 이상 탐지(fine-grained anomaly detection)는 주로 세그멘테이션 기반 접근법에 의해 주도되어 왔다. 이러한 접근법은 먼저 샘플의 각 요소(예: 이미지 패치)를 정상 또는 이상으로 분류한 후, 이상 요소를 포함하는 경우 전체 샘플을 이상으로 분류한다. 그러나 이러한 방법은 정상 요소들의 비정상적인 조합으로 표현되는 이상 상황에는 적용되지 않는다. 본 논문에서는 각 샘플을 구성 요소들의 분포로 모델링하는 집합 특징(set features)을 제안함으로써 이 제한을 극복한다. 우리는 간단한 밀도 추정 방법을 사용하여 각 샘플의 이상 점수를 계산한다. 간단한 구현이 가능한 본 방법은 이미지 수준의 논리적 이상 탐지에서 최신 기술 대비 +3.4% 향상되었으며, 시계열 데이터의 시퀀스 수준 이상 탐지에서는 +2.4%의 성능 향상을 기록하였다.