https://www.youtube.com/watch?v=IOAdEjD72hA

1. Introduction to AD

(1) 용어

용어	기본 의미	사용되는 대표 문맥	훈련 데이터에서?	탐지 대상
Outlier	통계적으로 특이한 점	통계학, 데이터 분석	포함되어 있음	훈련 데이터 내 이상
Novelty	새로운 유형	머신러닝, OOD 탐지	포함되어 있지 않음	훈련 데이터 외의 정상/비정상 샘플
Anomaly	이상/비정상	시계열, 보안 등 실용적 문맥	포함될 수도 있고 아닐 수도 있음	정상 분포에서 벗어난 비정상

✅ 즉, 이미 수집된 데이터 내에서 이상한 샘플

✅ 즉, 모델이 처음 보는 “새로운 유형의 데이터” (꼭 이상(anomaly)은 아닐 수도 있어. 그냥 새로운 클래스일 수도 있어)

→ OOD detection!

✅ 즉, 정상 분포로부터 벗어난 rare하고 중요도 높은 이상 이벤트

→ Anomaly detection!

분야	outlier	novelty	anomaly
통계	O	×	O
이미지 분류	×	O (OOD)	O (특이 클래스)
네트워크 보안	O	O	O
시계열 이상탐지	O	×	O

지도 학습

비지도 학습

Isolation Forest (IF)
- 한 줄 요약: 하나의 데이터를 구분하기 위해 필요한 split의 횟수를 이상치 점수로!
- 핵심 아이디어: 이상치는 빠르게 분리 될 것!
Local Outlier Factor (LOF)
- 특정 관측치 주변의 밀도 (density)를 기반으로 추정

가정: 정상 관측치는 잘 복원될 것!

$\rightarrow$ Reconstruction error를 기반으로 판단

a)VAE 기반
b) Adversarial AE기반: 생성기 & 판별기가 존재함
- 생성기: 새로운 데이터 생성
- 판별기: 실제 데이터 / 새롭게 만들어진 분포인지 구분

( Autoencoder Detection with Robust Deep Autoencoders )

Robust Deep Autoencoder = (1) + (2)

RPCA를 통하여 얻어진 깨끗한 데이터로 AE학습

( Unsupervised Anomaly Detection with Generative Adversarial Networks to Guide Marker Discovery )

핵심 요약

Procedure

정상 데이터로만 GAN 학습
테스트 이미지가 주어졌을 때, 그 이미지와 가장 유사한 생성 이미지를 latent space에서 찾아냄
- $z^*=\arg \min _z(\lambda \cdot|x-G(z)|+(1-\lambda) \cdot|f(x)-f(G(z))|)$.
재구성 차이나 latent representation 차이로 이상 점수(anomaly score) 계산
- $x$와 $G(z^{*})$ 사이의 차이로 anomaly score 계산