[논문 리뷰] Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples

Paul Primus, Verena Haunschmid외 2명|arXiv (Cornell University)|2020. 11. 05.

Anomaly Detection Techniques and Applications인용 수 11

한 줄 요약

이 논문은 목표로 하는 정상 소리의 기록 조건과 콘텐츠 유사도를 충족하는 관련 없는 오디오 샘플인 정교하게 선택된 대체 이상치(Proxy Outliers)를 사용하여 비지도 이상 소리 탐지 문제를 지도 학습의 이진 분류 문제로 재구성한다. 이 방법은 최소한의 데이터 증강 또는 모델 복잡도로도 최신 기술 수준(SOTA) 성능을 달성하였으며, DCASE2020 챌린지에서 3위를 기록하였다.

ABSTRACT

Unsupervised anomalous sound detection is concerned with identifying sounds that deviate from what is defined as 'normal', without explicitly specifying the types of anomalies. A significant obstacle is the diversity and rareness of outliers, which typically prevent us from collecting a representative set of anomalous sounds. As a consequence, most anomaly detection methods use unsupervised rather than supervised machine learning methods. Nevertheless, we will show that anomalous sound detection can be effectively framed as a supervised classification problem if the set of anomalous samples is carefully substituted with what we call proxy outliers. Candidates for proxy outliers are available in abundance as they potentially include all recordings that are neither normal nor abnormal sounds. We experiment with the machine condition monitoring data set of the 2020's DCASE Challenge and find proxy outliers with matching recording conditions and high similarity to the target sounds particularly informative. If no data with similar sounds and matching recording conditions is available, data sets with a larger diversity in these two dimensions are preferable. Our models based on supervised training with proxy outliers achieved rank three in Task 2 of the DCASE2020 Challenge.

연구 동기 및 목표

• 실제 이상 소리를 수집하는 것이 비현실적인 기계 상태 모니터링에서 희귀하고 다양한 이상 현상을 다루기 위해.
• 비지도 이상 소리 탐지가 효과적으로 지도 학습 문제로 재구성될 수 있는지 조사하기 위해.
• 특히 기록 조건과 콘텐츠 유사도 기반으로 선택된 대체 이상치의 영향이 탐지 성능에 미치는 영향을 평가하기 위해.
• 재구성 오차 및 정규화 흐름 기반 비지도 기반 모델과 비교하여 제안된 대체 이상치 방법의 성능을 평가하기 위해.

제안 방법

• 실제 이상 데이터 대신 목표 기계의 기록 조건과 소리 특성과 일치하는 관련 없는 오디오 데이터에서 유래한 대체 이상치(POs)를 사용하여 문제를 대체한다.
• ResNet 분류기가 정상 기계 소리와 선택된 대체 이상치를 구분하도록 학습되며, 표준 이진 분류 작업으로 간주한다.
• 다양한 소스에서 유래한 대체 이상치 세트가 구성되며, AudioSet, TAU-UAS, 기타 기계 인스턴스 등을 포함하며, 목표 소리와의 유사성과 기록 환경의 일치에 중점을 둔다.
• 성능 평가에는 ROC 곡선 아래 면적(AUC)을 사용하며, 이는 이상 샘플이 정상 샘플보다 더 높게 순서 매겨지는 확률을 측정한다.
• 데이터 증강, 전이 학습, 앙상블, 복잡한 후처리를 피하여 대체 이상치 선택의 영향을 고립시킨다.

실험 결과

연구 질문

• RQ1 실제 이상 현상 대신 대체 이상치를 사용하여 이상 소리 탐지를 효과적으로 지도 학습의 이진 분류 문제로 재구성할 수 있는가?
• RQ2 대체 이상치가 목표 소리와 유사도가 높고 기록 조건이 일치할 경우 탐지 성능에 어떤 영향을 미치는가?
• RQ3 대체 이상치의 다양성과 소스 데이터가 이상 탐지기의 일반화 능력에 어떤 영향을 미치는가?
• RQ4 대체 이상치의 수가 비지도 기반 모델 대비 성능에 어떤 영향을 미치는가?

주요 결과

• 기록 조건과 소리 유사도가 일치하는 대체 이상치를 사용할 경우 AUC 점수가 크게 향상되어 DCASE2020 챌린지에서 3위를 기록하였다.
• 특히 팬, 펌프, 장난감 컨veyor 기계에서, 자동에코 및 정규화 흐름 기반 비지도 기반 모델보다도 128개의 대체 이상치로도 성능이 뛰어났다.
• 기록 조건이 일치하지 않는 대체 이상치 세트의 경우 혼합된 결과를 보였으며, 팬, 펌프, 장난감 컨베이어에서는 향상되었지만, 슬라이더, 장난감 자동차, 밸브에서는 성능 저하가 발생하였다.
• 대체 이상치의 콘텐츠 다양성은 성능 향상과 정확히 상관관계가 있었으며, 특히 AudioSet과 같은 대규모 데이터셋을 사용할 경우 두드러졌다.
• 대체 이상치 기반 분류기는 단순한 통계적 차이에 의존하기보다는 분류 기반 특징을 학습하였으며, 이는 다양한 기계 유형에서 일관된 성능 향상으로 입증되었다.