Toward Multi-class Anomaly Detection: Exploring Class-aware Unified Model against Inter-class Interference

最近的学术研究关注于更为复杂的多类异常检测，而在单类异常检测模型的高可用性背景下，一些文章已经设计了统一的模型来完成这个任务，但它们通常忽略了类别标签的实用性，这是缓解类间干扰的有效工具。为了解决这个问题，作者提出了一种基于多类隐式神经表示转换器的统一异常检测方法（MINT-AD），它在训练阶段利用精细的类别信息学习多类分布，为变换器解码器生成类别感知的查询嵌入，从而减轻重构模型中的类间干扰。利用这样的隐式神经表示网络，MINT-AD可以将类别和位置信息投影到一个特征嵌入空间中，并通过分类和先验概率损失函数进行监督。在多个数据集上的实验结果表明，MINT-AD优于现有的统一训练模型。

该论文旨在解决多类别异常检测中的干扰问题，提出了一种利用类别标签的新型模型MINT-AD。

MINT-AD利用类别信息生成类别感知的查询嵌入，通过学习多类别分布来减轻干扰，进而提高多类别异常检测的性能。

该论文设计了一种新型模型MINT-AD，利用了类别信息来减轻干扰，实验结果表明其性能优于现有的统一训练模型。实验使用了多个数据集，作者还开源了代码。

最近的相关研究包括：Unified Deep Supervised Domain Adaptation and Generalization (UDSAG)，A Survey of Multi-View Learning (MVL)，Deep Learning for Anomaly Detection: A Survey (DLAD)等。