[論文レビュー] Description and Discussion on DCASE 2021 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring under Domain Shifted Conditions

Yohei Kawaguchi, Keisuke Imoto+7 more|arXiv (Cornell University)|Jun 8, 2021

Anomaly Detection Techniques and Applications参考文献 15被引用数 34

ひとこと要約

この論文は、ドメインシフト下の無監視異常音検出のDCASE 2021 Task 2を分析し、トップアプローチ（OE+IMアンサンブルとIMベースの特徴検出）を調査し、ドメイン適応の課題について論じる。

ABSTRACT

We present the task description and discussion on the results of the DCASE 2021 Challenge Task 2. In 2020, we organized an unsupervised anomalous sound detection (ASD) task, identifying whether a given sound was normal or anomalous without anomalous training data. In 2021, we organized an advanced unsupervised ASD task under domain-shift conditions, which focuses on the inevitable problem of the practical use of ASD systems. The main challenge of this task is to detect unknown anomalous sounds where the acoustic characteristics of the training and testing samples are different, i.e., domain-shifted. This problem frequently occurs due to changes in seasons, manufactured products, and/or environmental noise. We received 75 submissions from 26 teams, and several novel approaches have been developed in this challenge. On the basis of the analysis of the evaluation results, we found that there are two types of remarkable approaches that TOP-5 winning teams adopted: 1) ensemble approaches of ``outlier exposure'' (OE)-based detectors and ``inlier modeling'' (IM)-based detectors and 2) approaches based on IM-based detection for features learned in a machine-identification task.

研究の動機と目的

• 実世界の機械におけるドメインドリフト（例：回転速度、ノイズ、負荷）下での無監視型異常音検出の必要性を動機づける。
• ドメインシフト ASD のタスク設定、データセット、および評価指標を説明する。
• 提出されたアプローチを分析し、ドメイン横断で堅牢な検出へ向けた有望な戦略を特定する。

提案手法

• 決定のための A_theta(x) としきい値 phi を用いた異常スコアリング枠組みを定義する。
• 2つの主要な高性能アプローチを要約する：並列型OE検出器のアンサンブルとIM検出器、および機械識別タスクで学習された特徴上のシリアル型IM検出。
• ベースラインシステムとして、オートエンコーダベースの異常スコアリングと、セクション条件付き目的を用いたOEベースのMobileNetV2を議論する。
• 上位提出物と、それらのドメイン適応、アンサンブル戦略、特徴学習の活用を分析する。
• 公式の調和スコアを含むAUCとpAUCを、ソースドメインとターゲットドメインの上で提供する評価指標。

実験結果

リサーチクエスチョン

• RQ1 トレーニング（ソース/ターゲットの通常条件）とテスト（ターゲットの異常条件）間のドメインシフトは、ASDの性能にどう影響するか？
• RQ2 OEとIM技術の組み合わせは、ドメインシフト下でどのような堅牢な性能を生み出すか？
• RQ3 機械識別特徴上のIMベース検出は、ドリフト下で堅牢な異常検出を提供できるか？
• RQ4 ドメインシフト条件下でASDを改善する上でのドメイン適応の役割は何か？

主な発見

• トップ5のチームは主に2つの戦略を用いていた：並列型ハイブリッド（OEアンサンブルとIM検出器の併用）とシリアル型ハイブリッド（機械識別タスクからの特徴上のIM）.
• OEとIMのアンサンブルは、モデルの複雑さが増す可能性がある一方で、ドメインシフトへの堅牢性を向上させる。
• ターゲットドメインデータが乏しい場合、特徴抽出器ではなくIMベース検出器に適用されたドメイン適応が有効である可能性。
• 明示的なドメイン適応を用いないアプローチでも、アンサンブルの堅牢性を示唆する場合があり、ターゲットドメインで高い性能を発揮できる。
• 将来の研究の2つの主要方向：コンパクト/ドメイン適応可能な並列型ハイブリッドと、シリアル型ハイブリッドのより広範なドメイン適応。