[论文解读] Anomalous Sound Detection as a Simple Binary Classification Problem with Careful Selection of Proxy Outlier Examples

Paul Primus, Verena Haunschmid+2 more|arXiv (Cornell University)|Nov 5, 2020

Anomaly Detection Techniques and Applications被引用 11

一句话总结

本文通过使用精心挑选的代理异常样本（与目标正常声音在录制条件和内容相似性上匹配的无关音频样本），将无监督异常声音检测问题重新构架为有监督二分类问题。该方法仅使用ResNet分类器，辅以极少的数据增强或模型复杂度，取得了当前最优性能，在DCASE2020挑战赛中排名第三。

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.

研究动机与目标

• 为解决机器状态监测中罕见且多样的异常问题，其中真实异常声音的采集不切实际。
• 探究无监督异常声音检测是否可被有效重新构想为有监督学习问题。
• 评估代理异常样本选择（特别是基于录制条件和内容相似性）对检测性能的影响。
• 将所提出的代理异常样本方法与基于重构误差和归一化流的无监督基线方法进行比较。

提出的方法

• 该方法用从无关音频数据中选取的代理异常样本（POs）替代真实异常数据，这些样本与目标机器的录制条件和声音特征相匹配。
• 使用ResNet分类器训练以区分正常机器声音与选定的代理异常样本，将问题视为标准的二分类任务。
• 代理异常样本集来自多样化来源，如AudioSet、TAU-UAS及其他机器实例，重点在于与目标声音的相似性以及录制环境的一致性。
• 性能通过受试者工作特征曲线下面积（AUC）进行评估，该指标衡量检测器将异常样本正确排在正常样本之上的概率。
• 该方法避免使用数据增强、迁移学习、模型集成和复杂后处理，以隔离代理异常样本选择的影响。

实验结果

研究问题

• RQ1 是否可以使用代理异常样本而非真实异常样本，将异常声音检测有效构架为有监督二分类问题？
• RQ2 代理异常样本与目标声音及其录制条件的相似性如何影响检测性能？
• RQ3 代理异常样本的多样性及其数据源对异常检测器泛化能力有何影响？
• RQ4 代理异常样本数量相对于无监督基线方法对性能的影响如何？

主要发现

• 使用与目标声音在录制条件和声学相似性上匹配的代理异常样本，显著提升了AUC分数，在DCASE2020挑战赛中取得第三名。
• 该方法在仅使用128个代理异常样本的情况下，优于无监督基线（自编码器与归一化流），尤其在风扇、泵和玩具传送带机器上表现更优。
• 录制条件不匹配的代理异常样本集结果参差不齐：风扇、泵和玩具传送带的性能有所提升，但滑块、玩具汽车和阀门的性能下降。
• 代理异常样本的内容多样性与性能提升呈正相关，尤其在使用大规模数据集（如AudioSet）时更为明显。
• 基于代理异常样本训练的分类器学习到了判别性特征，而非依赖于简单的统计差异，这一点通过在多种机器类型上持续的性能提升得到验证。