立场：利用三维点云数据进行异常检测的免训练机器学习

基于三维点云数据的异常检测是一个重要的研究问题，近年来受到越来越多的关注。基于单样本的免训练异常检测是一个新兴的研究问题，其动机源于真实制造业，例如个性化制造，其中只能收集到一个样本，且没有任何额外标签和历史数据集。基于单个三维点云样本准确识别异常是工业应用和机器学习领域的一项关键挑战。本文旨在给出基于三维点云数据的免训练异常检测问题的正式定义，并讨论免训练异常检测与当前无监督异常检测问题之间的区别。与经过训练的无监督学习不同，免训练无监督学习不依赖任何数据，包括无标签数据。相反，它们利用关于表面和异常的先验知识。我们提出了三个互补的方法论框架：利用概率建模区分异常的隐变量推理框架；通过稀疏学习将点云分离为参考、异常和噪声分量的分解框架；以及利用邻域信息进行异常识别的局部几何框架。实验结果表明，免训练方法在实现具有竞争力的检测性能的同时，提供了显著的计算优势，执行速度提升高达15倍。所提出的方法为数据极度稀缺的场景提供了可行的解决方案，解决了在收集多个样本或历史数据不可行的个性化制造和医疗健康应用中的关键挑战。