[논문 리뷰] Description and Discussion on DCASE 2021 Challenge Task 2: Unsupervised Anomalous Sound Detection for Machine Condition Monitoring under Domain Shifted Conditions

Yohei Kawaguchi, Keisuke Imoto외 7명|arXiv (Cornell University)|2021. 06. 08.

Anomaly Detection Techniques and Applications참고 문헌 15인용 수 34

한 줄 요약

이 논문은 도메인 시프트 하에서 비지도 이상음향 탐지(DCASE 2021 Task 2)를 분석하고, 상위 접근법(OE+IM 앙상블 및 IM 기반 특징 탐지)을 조사하며, 도메인 적응의 도전과제를 논의한다.

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.

연구 동기 및 목표

• 도메인 드리프트(예: 속도, 소음, 부하) 아래 실제 기계에서 비지도 이상음향 탐지가 필요한 이유를 제시한다.
• 도메인 시프트 ASD를 위한 작업 설정, 데이터셋 및 평가 지표를 설명한다.
• 제출된 방법을 분석하고 도메인 간 robust 탐지를 위한 유망한 전략을 식별한다.

제안 방법

• A_theta(x)와 의사결정을 위한 임계값 phi를 사용한 이상 점수화 프레임워크를 정의한다.
• 두 가지 주요 고성능 접근법: 이상치 노출(OE) 탐지기의 앙상블(병렬형) 및 inlier modeling(IM) 탐지기, 그리고 기계 식별 작업에서 학습된 특징에 대한 IM 기반 탐지의 병렬형과 시퀀스형(IM 탐지)을 요약한다.
• baselines 시스템으로 오토인코더 기반 이상점수화와 section-conditioned 목표를 갖는 OE 기반 MobileNetV2를 논의한다.
• 도메인 적응, 앙상블 전략, 특징 학습의 활용을 포함하여 상위 제출들을 분석한다.
• AUC와 pAUC를 원천 도메인과 대상 도메인에서의 하모닉 공식 점수와 함께 평가 지표로 제공한다.

실험 결과

연구 질문

• RQ1 훈련 데이터의 소스/대상 정상 조건과 테스트 데이터의 대상 이상 조건 간의 도메인 시프트가 ASD 성능에 어떤 영향을 미치는가?
• RQ2 도메인 시프트 하에서 안정적인 성능을 보장하는 OE와 IM 기법의 조합은 무엇인가?
• RQ3 기계 식별 특징에 대한 IM 기반 탐지가 드리프트 하에서도 robust한 이상 탐지를 제공하는가?
• RQ4 도메인 시프트 조건에서 ASD 성능 향상을 위한 도메인 적응의 역할은 무엇인가?

주요 결과

• 상위 5개 팀의 두 가지 전략은 병렬형 하이브리드(OE 앙상블 + IM 탐지기)와 시퀀스형 하이브리드(IM을 기계 식별 작업의 특징에 적용)였다.
• OE와 IM의 앙상블은 도메인 시프트에 대한 견고성을 높일 수 있지만 모델 복잡도 증가가 있을 수 있다.
• 타깃 도메인 데이터가 부족한 경우 IM 기반 탐지기에 도메인 적응을 적용하는 것이 효과적일 수 있다.
• 명시적 도메인 적응이 없어도 경우에 따라 강한 타깃 도메인 성능을 얻을 수 있으며 이는 앙상블의 강건성을 시사한다.
• 향후 연구의 두 가지 주요 방향은 컴팩트하고 도메인에 적응 가능한 병렬 하이브리드와 시퀀스 하이브리드의 더 넓은 도메인 적응이다.