TailCore：基于稀疏样本的无监督长尾噪声异常检测
计算机视觉与模式识别
2026-05-27 v2 机器学习
摘要
我们旨在解决面向实际挑战环境的无监督异常检测问题，即正常数据集既受损坏区域污染，其产品类别分布呈长尾分布且分布未知。我们观察到现有模型存在尾类与噪声之间的权衡问题：若模型对像素噪声鲁棒，则在尾类样本上的性能恶化，反之亦然。为缓解此问题，我们独立处理尾类样本和噪声样本。为此，我们提出了 TailSampler——一种新颖的类别大小预测器，基于对类别在嵌入相似性分布上的对称性假设，对样本的类别基数进行估计。TailSampler 可用于专门抽取尾类样本，从而实现独立处理。基于上述思路，我们构建了基于记忆的异常检测模型 TailedCore，其记忆既能良好捕获尾类信息，又具备抗噪能力。我们在无监督长尾噪声异常检测设置下广泛验证了 TailedCore 的有效性，结果表明在大多数场景下其均优于当前最先进的方法。
引用
@article{arxiv.2504.02775,
title = {TailedCore: Few-Shot Sampling for Unsupervised Long-Tail Noisy Anomaly Detection},
author = {Yoon Gyo Jung and Jaewoo Park and Jaeho Yoon and Kuan-Chuan Peng and Wonchul Kim and Andrew Beng Jin Teoh and Octavia Camps},
journal= {arXiv preprint arXiv:2504.02775},
year = {2026}
}
备注
Accepted to CVPR2025