Serial-OE：基于序列方法的异常声检测，可利用少量异常数据进行训练
声音
2025-05-27 v1 音频与语音处理
摘要
我们提出Serial-OE，一种新的异常声检测（ASD）方法，利用少量异常数据来提高性能。常规ASD方法主要依赖于正常数据建模，由于从各种可能的设备故障中收集异常数据的成本较高。我们的方法通过实施离群点暴露框架，利用正常数据和伪异常数据进行训练，同时能够使用少量真实异常数据。使用 DCASE2020 Task2 数据集进行的全面评估表明，我们的方法超越了最先进的ASD模型。我们还研究了在训练中使用少量异常数据、使用无机器ID信息的数据以及使用受污染训练数据的影响。我们的实验结果揭示了在训练中使用极少量异常数据来解决仅使用正常数据进行训练的局限性的潜力。这项研究为该领域提供了一种方法，可在ASD系统运行阶段动态地纳入异常数据，为更精确的ASD铺平了道路。
引用
@article{arxiv.2505.18982,
title = {Serial-OE: Anomalous sound detection based on serial method with outlier exposure capable of using small amounts of anomalous data for training},
author = {Ibuki Kuroyanagi and Tomoki Hayashi and Kazuya Takeda and Tomoki Toda},
journal= {arXiv preprint arXiv:2505.18982},
year = {2025}
}
备注
39 pages, 5 figures, 5 tables, APSIPA Transactions on Signal and Information Processing