[异常检测]Explainable Deep One-Class Classfication论文阅读总结

Motivation

“This transformation is highly non-linear, finding interpretations poses a significant challenge.”

之前例如Deep-SVDD(DSVDD)等比较经典的无监督异常检测算法，很难解释一张图片为什么是异常的，因此这篇文章考虑将之前的DSVDD模型最终比较的向量调整为二维矩（explanation heatmap），在CIFAR-10 ImageNet上面有提升，且在MVTec-AD数据集上可以做到解释异常位置。

Contribution

• 在传统无监督one-class任务中的效果接近sota(cifar10 imagenet)
• 在含有ground-truth的数据集中制定了新的sota
• 解释了DSVDD的Clever Hans效应。

Model

最传统的全连接卷积网络，图片被映射到$1\ast u\ast v$​的feature map。论文提到卷积层的一个重要性质就是feature map的一个piexel只有关于输入的一个固定的感受野，这样feature map的异常分数就可以映射回原图片的位置。（保留 spatial information)

经过Fully Convolutional Data Description 得到一个feature map，同样也是一个 heatmap，再经过上采样获得原尺寸异常区域解释图。

Loss

其实$y_i$代表label，0为正常，1为异常，异常图片可以来自非原域图片（outlier exposure)，$A(X_i)=\sqrt{\varphi (X;W{)}^2+1}-1$，上述的loss参考了pseudo-Huber loss，该loss具体参考[1]）, element-wise求结果，$||A(X_i)|{|}_1$是feature map所有元素求pseudo-Huber loss的和。

通过求导，正常样本的$||A(X_i)|{|}_1$​​​​会减小，异常样本的会增大，因此该值可以作为异常分数。

upsample

因为论文的设定在试验阶段是没有ground-truth的，因此上采样部分的训练是无监督的，也就是无法直接训练一个deconvolutional 层，

论文提出了一种heatmap upsampling算法，基于feature map的每一个值都对应着原图的唯一一个感受野，并且在该感受野中，每个点对该输出的影响以一种高斯分布从感受野中心进行减弱（想象成一个卷积核的中心的是一个高斯分布的均值点，其他点随着距离下降）。

Experiment

定量实验 （average AUC)

数据集：

• Fashion-MNIST (OE : EMNIST CIFAR-100)
• CIFAR-10(OE: CIFAR-100)
• ImageNet(OE: ImageNet22k)

比较方法

AE, Deep-SVDD，GEO / GEO+, Deep-SAD， HSC （前者无OE, 后者有OE）

Reference

1. Ruff L, Vandermeulen R A, Franks B J, et al. Rethinking assumptions in deep anomaly detection[J]. arXiv preprint arXiv:2006.00339, 2020.