无标注验证数据下异常检测器的模型选择
机器学习
2024-09-17 v3 计算机视觉与模式识别
摘要
异常检测是在大型无标注数据集中识别异常样本的任务。尽管基础模型的出现产生了强大的零样本异常检测方法,但其实际部署常因缺乏标注验证数据而受阻——没有它,检测性能便无法可靠评估。本工作中,我们提出SWSA(利用合成异常进行选择):一种无需标注验证数据即可选择基于图像的异常检测器的通用框架。我们不使用收集标注验证数据的方式,而是仅利用一小部分正常图像支持集,在无需任何训练或微调的情况下生成合成异常。我们的合成异常被用于构建检测任务,组成用于模型选择的验证框架。在实证研究中,我们使用三类合成异常并在两项选择任务上评估SWSA:基于图像的异常检测器模型选择,以及基于CLIP的异常检测提示词选择。SWSA所选出的模型和提示词常与使用真实验证集的选择一致,优于基线选择策略。
引用
@article{arxiv.2310.10461,
title = {Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data},
author = {Clement Fung and Chen Qiu and Aodong Li and Maja Rudolph},
journal= {arXiv preprint arXiv:2310.10461},
year = {2024}
}
备注
14 pages