滤除或补偿：面向分布迁移的异常检测不变表示
计算机视觉与模式识别
2024-12-16 v1
摘要
近期的异常检测(AD)方法在分布内(ID)数据上取得了巨大成功。然而，现实世界的数据常常存在分布迁移，导致传统AD方法在其上的性能大幅下降。就此观察到，针对分布迁移的AD研究仍寥寥，基于反向蒸馏(RD)框架提出了基于分布不变性正常性学习的方法。然而我们注意到教师网络与学生网络之间存在误差对齐问题，导致检测失败。因此我们提出 FiCo，即 Filter or Compensate，来解决AD中的分布迁移问题。FiCo 首先通过分布特定补偿(DiSCo)模块对分布特定信息进行补偿，以减少教师和学生网络之间的误差对齐。其次，通过分布不变滤波器(DiIFi)模块过滤所有异常信息，以捕获分布不变的正常性。对三个不同的AD基准进行大量实验表明 FiCo 的有效性， outperform 了所有现有的 state-of-the-art(SOTA)方法，甚至在ID情景下也比基于RD的方法取得了更好的结果。我们的代码可在 https://github.com/znchen666/FiCo 查看。
引用
@article{arxiv.2412.10115,
title = {Filter or Compensate: Towards Invariant Representation from Distribution Shift for Anomaly Detection},
author = {Zining Chen and Xingshuang Luo and Weiqiu Wang and Zhicheng Zhao and Fei Su and Aidong Men},
journal= {arXiv preprint arXiv:2412.10115},
year = {2024}
}
备注
Accepted by AAAI2025