层次性高斯混合正规化流建模用于统一异常检测
机器学习
2024-07-08 v2 计算机视觉与模式识别
摘要
统一异常检测（AD）是异常检测中最具挑战性的任务之一，旨在使用来自多个类的正常样本训练一个统一模型，以检测这些类中的异常。对于这一挑战性任务，流行的正规化流（NF）基于 AD 方法可能陷入“均匀映射”问题，即 NF 基于 AD 模型倾向于为正常和异常特征生成类似的潜表示，从而导致异常漏检率高。本文提出了一种新的层次性高斯混合正规化流建模方法，用于实现统一异常检测，我们称之为 HGAD。我们的 HGAD 包含两个关键组件：类间高斯混合建模和类内混合类别中心学习。与以往的 NF 基于 AD 方法相比，层次性高斯混合建模方法能够为正规化流的潜空间带来更强的表示能力，从而在潜空间中良好地表示和学习复杂的多类分布。如此一来，我们可以避免将不同类别分布映射到单个单一高斯先验中，从而有效避免或缓解“均匀模型”问题。我们进一步指出，不同类别中心越可区分，越有助于避免该偏差问题。因此，我们进一步提出了一种互信息最大化损失，用于更好地结构化潜特征空间。我们在四个真实世界 AD 基准数据集上评估了该方法，显著改进了以往的 NF 基于 AD 方法，也超越了 SOTA 统一 AD 方法。
引用
@article{arxiv.2403.13349,
title = {Hierarchical Gaussian Mixture Normalizing Flow Modeling for Unified Anomaly Detection},
author = {Xincheng Yao and Ruoqi Li and Zefeng Qian and Lu Wang and Chongyang Zhang},
journal= {arXiv preprint arXiv:2403.13349},
year = {2024}
}
备注
This paper is accepted by ECCV2024