[论文解读] 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 34

一句话总结

本论文分析 DCASE 2021 Task 2 在域迁移下的无监督异常声音检测，回顾了顶级方法（OE+IM 集成与基于 IM 的特征检测），并讨论了域适应挑战。

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.

研究动机与目标

• 在实际机器的域漂移下（例如速度、噪声、负载）推动无监督异常声音检测的必要性。
• 描述域移 ASD 的任务设置、数据集和评估指标。
• 分析提交的方法并识别跨域鲁棒检测的潜在策略。

提出的方法

• 用 A_theta(x) 和阈值 phi 来定义决策的异常分数框架。
• 总结两类主要高性能方法：并行型 OE（outlier exposure）检测器的集成，以及 IM（inlier modeling）检测器，以及在机器识别任务学习的特征上进行的串联型 IM 检测。
• 讨论基线系统：基于自编码器的异常评分以及基于 OE 的 MobileNetV2，具有分段条件目标。
• 分析前几名提交的方案及其在域适应、集成策略和特征学习方面的应用。
• 给出评估指标，包括源域和目标域上的 AUC 与 pAUC，以及官方调和分数。

实验结果

研究问题

• RQ1 在训练（源域/目标域的正常条件）与测试（目标域的异常条件）之间的域移位如何影响 ASD 性能？
• RQ2 哪种 OE 与 IM 技术的组合在域移位下能实现鲁棒性能？
• RQ3 在机器识别特征上基于 IM 的检测是否能在漂移下提供鲁棒的异常检测？
• RQ4 域适应在提升域移位条件下的 ASD 中的作用是什么？

主要发现

• 前5名团队很大程度上使用了两种策略：并行型混合（OE 集成与 IM 检测器）和串行型混合（在机器识别任务的特征上的 IM）。
• 将 OE 和 IM 进行集成可以在模型复杂性可能增加的情况下提升对域移位的鲁棒性。
• 将域适应应用于基于 IM 的检测器，而非特征提取器，在目标域数据稀缺时可能有效。
• 在某些情况下，无需显式域适应的方法仍可实现强的目标域性能，表明集成的鲁棒性。
• 未来工作的两个主要方向：紧凑/可域适应的并行混合，以及面向更广域的串行混合的适应。