AltUB：更新归一化流基础分布以用于异常检测的交替训练方法
机器学习
2022-10-28 v1 人工智能
摘要
由于异常数据数量有限，无监督异常检测近来在各个实际领域备受关注。其主要方法之一是归一化流，旨在将图像等复杂分布可逆地转换为 等简单分布。事实上，基于归一化流的算法（如 FastFlow 和 CFLOW-AD）在无监督异常检测任务上取得了 SOTA 性能。然而，我们发现这些算法并未将正常图像转换至 这一目标分布，而是转换至任意正态分布。此外，它们的性能往往不稳定，这对于无监督任务而言极为关键，因为不提供用于验证的数据。为突破这些观察到的局限，我们提出了一种简单的解决方案 AltUB，引入交替训练来更新用于异常检测的归一化流的基础分布。AltUB 有效提升了归一化流性能的稳定性。此外，我们的方法在 MVTec AD 数据集上取得了 98.8% AUROC 的异常分割任务新 SOTA 性能。
引用
@article{arxiv.2210.14913,
title = {AltUB: Alternating Training Method to Update Base Distribution of Normalizing Flow for Anomaly Detection},
author = {Yeongmin Kim and Huiwon Jang and DongKeon Lee and Ho-Jin Choi},
journal= {arXiv preprint arXiv:2210.14913},
year = {2022}
}
备注
9 pages, 4 figures