Rethinking Weak Supervision in Anomaly Detection: A Comprehensive Benchmark
Author
- Haebom
Category
Empty
저자
Xu Yao, Siyuan Zhou, Zhenbo Wu, Chaochuan Hou, Shuang Liang, Shiping Wang, Hailiang Huang, Songqiao Han, Minqi Jiang
💡 개요
본 논문은 약한 지도 학습 기반 이상 탐지(WSAD) 연구가 불완전, 부정확, 부정확의 세 가지 방향으로 발전해 왔으나, 이들 간의 통합적인 평가 프레임워크가 부재하다는 문제점을 제기합니다. 이를 해결하기 위해 WSADBench라는 최초의 통합 벤치마크를 개발하였으며, 다양한 약한 지도 시나리오에서 36가지 알고리즘을 4가지 모달리티에 걸쳐 체계적으로 평가하여 성능 경계를 규명하고 주요 통찰을 제시합니다.
🔑 시사점 및 한계
•
약한 지도 이상 탐지의 세 가지 주요 방향(불완전, 부정확, 부정확) 사이에는 강한 내재적 상관관계가 존재하며, 이는 현재 연구 방향의 고립된 접근 방식에 도전합니다.
•
특화된 WSAD 알고리즘은 극단적인 레이블 부족 상황에서만 우수하며, 지도 학습이 증가하거나 OOD(Out-of-Distribution) 시나리오에서는 기성 딥러닝 모델이나 일반 분류 방법론에 의해 빠르게 능가됩니다.
•
레이블 없는 데이터의 유용성은 설정에 따라 일관되지 않으며, 레이블 정제에 비해 얻는 이득이 미미한 것으로 나타났습니다.
•
모델은 서로 다른 유형의 레이블 노이즈에 대해 비대칭적인 민감도를 보입니다.
•
본 연구는 WSADBench를 오픈 소스로 공개하여 향후 연구를 촉진할 것입니다.
