RangeAD: 高速なオンモデル異常検知

要約: 実務において、機械学習の手法は入力をフィルタリングしたり、分布シフトを検出するために異常検知（AD）を一般的に必要とします。通常、これは主要モデルと並行して別のADモデルを実行することで実装されます。しかし、この分離は、主要モデルがすでにターゲット分布に関するかなりの情報をエンコードしているという事実を見落としています。本論文では、On-Model AD を導入します。これは関連する機械学習モデルへのアクセスを明示的に活用する異常検知の設定です。この設定の下で、主要モデルから導出されたニューロンごとの出力範囲を利用するアルゴリズムとして RangeAD を提案します。RangeAD は高次元のタスクにおいても優れた性能を発揮し、推論コストを大幅に低く抑えます。我々の結果は、On-Model AD 設定が効率的な異常検知の実用的なフレームワークとなる可能性を示しています。