VAEベースの教師なし異常検知における再構成と検知のトレードオフの緩和

要旨: 変分オートエンコーダ（VAE）は、教師なし異常検知に広く用いられている。しかしながら、モデル選択は未解決の問いのままである。完全に教師なしであるためには、超パラメータはしばしば通常サンプルに対する再構成誤差を最小化するように選ばれる。本論文では、eta-VAE モデルにおける再構成品質と異常検知の間にトレードオフが存在することを明らかにする。潜在空間を制約したモデルは、より高い検知指標を達成する一方で、再構成品質は低くなる。また、ランダムシード間での性能のばらつきも評価し、それが通常および異常の潜在分布間の距離と結びついていることを示す。これらの分析から、再構成―検知のトレードオフを緩和するための2つの方法を正当化し、さらに調査する。すなわち、ベータ・スケジューリングと Sparse VAE である。後者は特に、高い再構成品質を維持しつつ検知が改善されることを示している。