다중방향 메타러닝을 이용한 클래스 일반화 이상 탐지 프레임워크

초록

본 논문은 정상 데이터의 풍부함과 이상 데이터의 희소성을 활용해, 내부에서는 정상 데이터의 매니폴드를 학습하고 외부에서는 소량의 이상 샘플을 이용해 소프트맥스 신뢰도 마진을 최대화하는 이중 레벨 메타러닝 구조를 제안한다. 다중방향 에피소드를 통해 다양한 정상‑이상 조합을 반복 학습함으로써, 미보는 이상 클래스에 대한 일반화 성능을 크게 향상시킨다.

상세 분석

이 연구는 이상 탐지(Anomaly Detection) 문제를 “클래스 일반화”라는 관점에서 재정의한다. 기존 방법들은 대부분 사전 정의된 이상 클래스에 의존하거나, 정상 데이터만을 이용해 재구성 오류 기반으로 이상을 판단한다. 그러나 실제 현장에서는 새로운 이상 유형이 지속적으로 등장하고, 라벨링 비용이 매우 높다. 논문은 이러한 현실을 반영해 두 단계의 메타러닝 프레임워크를 설계한다.

첫 번째(내부) 레벨에서는 정상 데이터만을 사용해 인코더 θ와 디코더 ϕ를 학습한다. 여기서는 “one‑class binary cross‑entropy” 손실을 적용해 정상 샘플의 소프트맥스 확신도를 1에 가깝게 만든다. 이는 정상 데이터의 매니폴드, 즉 고차원 공간에서의 밀집된 클러스터를 형성하도록 유도한다. 온도 파라미터 T도 선택적으로 학습함으로써 소프트맥스 스케일링을 조정한다.

두 번째(외부) 레벨에서는 소량의 이상 샘플(메타‑OOD)을 이용해 결정 경계를 보정한다. 여기서는 동일한 소프트맥스 출력에 대해 정상은 1, 이상은 0을 목표로 하는 BCE 손실을 최소화하고, 추가로 “margin hinge” 손실을 도입해 정상과 이상 사이의 평균 신뢰도 차이를 사전에 정의한 마진 m보다 크게 만든다. 이 과정은 ϕ와 T에만 영향을 미치며, θ는 내부 단계에서 고정된 채로 유지된다.

핵심 혁신은 “다중방향” 에피소드 설계에 있다. 각 에피소드는 서로 다른 정상 패밀리 C_ID와 서로 다른 이상 패밀리 C_meta를 매칭시켜, 내부 루프는 한 그룹의 정상 데이터를, 외부 루프는 다른 그룹의 이상 데이터를 사용한다. 이러한 매칭을 에피소드마다 무작위로 교체함으로써, 모델은 단일 소스‑타깃 구조에 얽매이지 않고 다수의 “전이 방향”을 경험한다. 결과적으로 파라미터 θ는 다양한 도메인 간에 불변적인 특징을 학습하고, ϕ와 T는 다변량 이상에 대해 강인한 경계 설정을 학습한다.

수학적으로는 이중 최적화 문제를 다음과 같이 정의한다.

• 내부 목표: θ* = arg min_θ E_{x∼P_id}