Anomaly detection is identifying whether a given sample is drawn from outside the training distribution. Advances in deep neural networks (DNNs) have led to impressive results and in recent years many works have exploited DNNs for anomaly detection. Among others, generative/reconstruction model-based approaches have been frequently used for anomaly detection because they do not require labels for training. The anomaly detection performance of these methods, however, varies a lot, due to the change of the intra-class variance and the difference in complexity of input samples. To heighten the performance of anomaly detection, relatively new self-supervision-based approaches have been proposed and shown outstanding results for anomaly detection. There has been a report that the performance of these approaches, however, depends on the data set. To implement a framework for anomaly detection that is data set-independent and shows the stable performance on various experimental environment, we propose a dual discriminator with a correlative autoencoder for anomaly detection. In the proposed framework, the discriminator implicitly estimates the conditional probability density function and the autoencoder has improved ability to control the reconstruction error. We provide theoretical foundation of our method and verify it through various experiments. We also confirm practical benefits of our interpretation of the conditional expectation and the proposed framework by comparing our results with other state-of-the-art methods. The proposed method shows better results as compared with previous probabilistic/reconstruction/generative model-based approaches. Also our method shows better results on the rotation invariant data set as compared with previous self-supervision-based approaches. We expect that the proposed method can be widely applicable for various anomaly detection applications because our method is data set-independent and shows the stable performance on various experimental environment.
이상 감지는 주어진 표본이 학습한 분포로부터 왔는지를 식별하는 것을 의미하며, 심층 신경망의 발전으로 최근 몇 년 동안 많은 심층 신경망을 이용한 이상 감지 연구가 진행되어 왔다. 그 중에서 생성/복구 모델에 기반한 방법은 학습에 부류 표지가 필요하지 않기 때문에 이상 감지에 널리 사용되어 왔다. 그러나 이러한 이상 감지 방법의 성능은 부류 내 분산의 변화와 입력 표본의 복잡성 차이에 민감한 문제가 있다. 이상 감지 성능을 끌어올리기 위해 최근에는 자기지도 학습에 기반한 이상 감지 방법이 제안되었고, 매우 뛰어난 성능을 보이는 것이 확인되었다. 하지만 이러한 자기지도 학습 기반의 이상 감지 방법 역시 데이터 셋에 의존적이기 때문에, 데이터 셋에 비의존적이면서 일정한 성능을 보장하는 이상 감지 방법이 필요하다. 그래서 본 연구에서는 이상 감지를 위한 상관 오토인코더와 이중 판별기로 이루어진 심층 신경망 구조를 제안하였다. 제안된 방법에서 판별기는 조건부 확률 밀도 함수를 암시적으로 추정하고, 오토인코더는 특징 상관을 이용하여 재구성 오류를 제어하는 능력이 향상되었다. 본 연구에서는 제안된 방법의 이론적 기반을 제공하고, 다양한 실험 결과를 기존의 이상 감지 방법과 비교함으로서 제안된 방법에 대한 실질적인 이점을 확인하였다. 제안된 방법은 기존의 확률/생성/복구 모델에 기반한 이상 감지 방법보다 뛰어난 정확도를 보이면서, 최근 자기지도 학습 기반의 이상 감지 방법의 정확도가 낮은 데이터 셋, 예를 들면 회전 변환에 불변적인 데이터 셋에서도 자기지도 학습 기반의 이상 감지 방법보다 높은 정확도를 나타냈다. 따라서 제안된 방법은 데이터 셋에 비의존적이고, 다양한 환경에서도 일정한 이상 감지 성능을 보이기 때문에 일반적인 이상 감지 응용에 널리 사용될 수 있을 것으로 기대한다.
