文脈の外側で：マルチモーダル異常検知における信頼性は文脈推論を必要とする

概要: 異常検知は、期待される挙動から逸脱する観測を特定することを目的とします。異常事象は本質的にまばらであるため、ほとんどの枠組みは単一の「正常性」の参照モデルを学習することだけを目的に、正常データのみで学習されます。これは、正常な挙動が単一の無条件な参照分布によって捉えられる、ということを暗黙に仮定しています。しかし実際には、異常はしばしば文脈依存です。ある観測は一つの運転条件下では正常でも、別の運転条件下では異常である可能性があります。機械学習システムが動的かつ不均一な環境へと展開されるにつれて、こうした固定文脈の仮定は構造的な曖昧さ、すなわち、周辺（marginal）モデリングの下では文脈による変動と真の異常を区別できない、という問題を引き起こし、性能の不安定化と、信頼できない異常評価につながります。現代のセンシングシステムはしばしば、システム挙動と運転条件の双方の補完的な側面を捉えるマルチモーダルデータを収集しますが、既存手法は、文脈情報を異常に関係する信号と区別せず、すべてのデータストリームを同等に扱います。その結果、異常は運転条件を明示的に条件付けすることなく評価されることが多くなります。本論文では、マルチモーダル異常検知は、モダリティが非対称な役割を担い、観測から文脈を分離することで、単一のグローバル参照に対する相対ではなく「条件付き」で異常を定義する、クロスモーダルな文脈推論問題として再定義されるべきだと主張します。この視点は、モデル設計、評価プロトコル、ベンチマーク構築に対して示唆を与えるものであり、頑健で文脈を考慮したマルチモーダル異常検知に向けた未解決の研究課題についても概説します。