[論文レビュー] A Survey on Diffusion Models for Anomaly Detection

Jing Liu, Zhenchao Ma+8 more|ArXiv.org|Jan 20, 2025

Anomaly Detection Techniques and Applications被引用数 3

ひとこと要約

包括的な概説であり、異常検知のための拡散モデルの分類法（DMAD）を提示し、アーキテクチャ、方法論、データモダリティ、課題、および今後の方向性を網羅する。

ABSTRACT

Diffusion models (DMs) have emerged as a powerful class of generative AI models, showing remarkable potential in anomaly detection (AD) tasks across various domains, such as cybersecurity, fraud detection, healthcare, and manufacturing. The intersection of these two fields, termed diffusion models for anomaly detection (DMAD), offers promising solutions for identifying deviations in increasingly complex and high-dimensional data. In this survey, we review recent advances in DMAD research. We begin by presenting the fundamental concepts of AD and DMs, followed by a comprehensive analysis of classic DM architectures including DDPMs, DDIMs, and Score SDEs. We further categorize existing DMAD methods into reconstruction-based, density-based, and hybrid approaches, providing detailed examinations of their methodological innovations. We also explore the diverse tasks across different data modalities, encompassing image, time series, video, and multimodal data analysis. Furthermore, we discuss critical challenges and emerging research directions, including computational efficiency, model interpretability, robustness enhancement, edge-cloud collaboration, and integration with large language models. The collection of DMAD research papers and resources is available at https://github.com/fdjingliu/DMAD.

研究の動機と目的

• 異常検知と拡散モデルの基本概念を導入する。
• DMAD手法の体系的分類（再構成ベース、密度ベース、ハイブリッド）を提供する。
• 画像、時系列、動画、マルチモーダルデータを横断してDMADを調査する。
• 課題（計算コスト、解釈性、頑健性）と今後の研究方向を議論する。
• DMAD研究を導くリソース、データセット、ベンチマークを提供する。

提案手法

• DMADを再構成ベース、密度ベース、ハイブリッドアプローチに分類する。
• 核となるDMアーキテクチャとしてDDPMs、DDIMs、Score SDEsを調査する。
• 再構成ベースのAD変種（基本、潜在空間、条件付き）を説明する。
• 密度ベースアプローチをスコア関数と拡散時間推定を用いて説明する。
• 他のAD手法と組み合わせたハイブリッド手法について議論する。
• IAD、TSAD、VAD、MADにおけるDMADの性能とデータセットを要約する。

実験結果

リサーチクエスチョン

• RQ1 主なDMAD手法は何で、再構成ベース、密度ベース、ハイブリッドアプローチではどう異なるのか。
• RQ2 DMAD手法は画像、時系列、動画、マルチモーダルなど、異なるデータモダリティでどのように性能を発揮するのか。
• RQ3 異常検知における拡散モデルの主要な課題と今後の方向性は何か。
• RQ4 DMAD手法をベンチマークするためのリソース（データセット、実装）は何か。

主な発見

• DMADは拡散ベースの生成モデルを活用して正常データ分布を学習することで異常検知を統一的に捉えるという視点を提供する。
• 再構成ベースの手法は再構成誤差や潜在空間表現を用いて異常を検出し、密度ベースの手法はスコア関数と拡散時間推定を異常スコアとして用いる。
• ハイブリッド手法は拡散モデルと他のAD手法を組み合わせて性能と頑健性を向上させる。
• 本調査は計算コスト、解釈性、敵対的撹乱への頑健性、エッジ-クラウド展開といった重要な課題を特定する。
• 異常検知DMADを支援するデータセット、実装、評価指標の curated コレクションが提供される。