通过知识暴露增强异常检测的泛化能力：数据增强的双重影响
计算机视觉与模式识别
2024-06-18 v1
摘要
异常检测涉及识别数据集中偏离常规且罕见出现的实例。当前基准测试倾向于偏好那些对正常数据多样性较低的方法，这与实际场景不符。尽管已有进展，当前方法在处理测试时面对轻微变换的样本分类方面仍常遇到困难。这些方法通常假设测试期间的正常样本分布与训练集相似，而异常样本则分布得更远。然而，实际测试样本常呈现多种程度的分布偏移，同时保持语义一致性。因此，有效地对经历语义保持变换的样本进行泛化，同时准确地将语义意义经变换后变为异常的正常样本检测为异常，对于模型的可信度和可靠性至关重要。例如，虽然在异常检测语境下，旋转会改变汽车的意义，但对鸟类而言则保持意义。当前方法可能将两者都检测为异常。这种复杂性凸显了基于异常内在概念进行动态学习过程的必要性。为此，我们提出了新的测试协议和一种名为知识暴露（Knowledge Exposure, KE）的新方法，该方法集成外部知识以理解概念动态并区分诱导语义偏移的变换。该方法通过利用预训练 CLIP 模型的洞见来评估每个概念的异常重要性，从而增强泛化能力。在 CIFAR-10、CIFAR-100 和 SVHN上的评估显示，优于先前方法。
引用
@article{arxiv.2406.10617,
title = {Enhancing Anomaly Detection Generalization through Knowledge Exposure: The Dual Effects of Augmentation},
author = {Mohammad Akhavan Anvari and Rojina Kashefi and Vahid Reza Khazaie and Mohammad Khalooei and Mohammad Sabokrou},
journal= {arXiv preprint arXiv:2406.10617},
year = {2024}
}