Self-supervised auto-encoder for anomaly detection

Abstract

Anomaly detection is to find some unique patterns of a subset of the data that is pre-defined as "normal" by human or is the majority, which allows to detect "anomaly" that is the complement of the set by similarity measures. Recent deep anomaly detection methods use a score measure based on reconstruction loss to measure anomality. However if the dataset is heterogeneous and some of the classes share some properties with the possible anomalous, then the model can be confused to distinguish the normal and the anomalous by only learning single task. To alleviate this, we proposed Self-Supervised Autoencoder that learns reconstruction and classification by self-orgarnized supervision, jointly. Our approach has following advantages: 1) By learning not related directly two tasks, the model can explore different two data spaces of the data, so both tasks cooperate to detect anomalies. 2) Joint architecture improves performance from simply ensembling two models. By the experiment results on three benchmark image dataset, we demonstrate the advantage and the effectiveness of our proposed model.

이상 탐지 (Anomaly detection)은 데이터로부터 정상이라 사전 정의된 부분집합 또는 데이터의 대다수를 구성하는 부분집합의 독특한 패턴들을 찾아서, 이를 통해 부분 집합의 여집합, 즉 "비정상"을 찾는 것이다. 최근 딥러닝을 이용한 이상 탐지 방법은 재생성 손실을 통해 비정상을 측정한다. 하지만 데이터 집합이 여러 다른 종류들로 이뤄져있고 비정상 데이터와 정상 데이터가 어떠한 특성을 공유하는 경우 하나의 작업만을 학습한 모델로는 이들을 구분하는 것이 어려울 수 있다. 이 문제를 해결하기 위해 우리는 재생성 및 자율-지도 방식으로 생성된 데이터 집합을 통해 분류를 학습하는 자율-지도 오토인코더를 제안한다. 우리의 방식은 다음과 같은 장점이 있다. 1) 직접적으로 관련되지 않은 두 태스크를 학흡하는 것을 통해 데이터의 다른 두 공간을 활용하여 비정상을 탐지할 수 있다. 결합된 구조를 통해 단순히 앙상블하는 것보다 결과가 향상되었다. 이미지 데이터 집합의 실험을 통하여 우리가 제안한 방법의 장점과 효율성을 보였다.