基于层次条件变分自编码器的声学异常检测
机器学习
2022-06-14 v1 人工智能
音频与语音处理
摘要
本文旨在开发一种基于声学信号的无监督异常检测方法，用于机器自动监测。深度自编码器（DAE）、变分自编码器（VAE）、条件变分自编码器（CVAE）等现有方法在潜空间中的表征能力有限，因而异常检测性能较差。为准确执行异常检测任务，须为每种不同机器训练不同模型。为解决此问题，我们提出一种称为层次条件变分自编码器（HCVAE）的新方法。该方法利用关于工业设施的可用分类层次知识来精炼潜空间表征。该知识亦有助于模型提升异常检测性能。我们通过使用适当条件展示了单一 HCVAE 模型针对不同机器的泛化能力。此外，为表明所提方法的实用性，（i）我们在不同域上评估了 HCVAE 模型，且（ii）我们检验了部分层次知识的影响。我们的结果表明 HCVAE 方法在两点上均成立，且在 AUC 分数指标上相较基线系统在异常检测任务中最高超出 15%。
引用
@article{arxiv.2206.05460,
title = {Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly Detection},
author = {Harsh Purohit and Takashi Endo and Masaaki Yamamoto and Yohei Kawaguchi},
journal= {arXiv preprint arXiv:2206.05460},
year = {2022}
}