Riassunto analitico
Il seguente lavoro ha il chiaro obbiettivo di coniugare due distinti ambiti del Deep Learning sotto un unico dominio, in particolare: Conitnual Learning e Anomaly Detection. L’unione dei seguenti temi vede l’insorgere delle problematiche legate ai rispettivi domini, le quali, potenzialmente, possono amplificarsi vicendevolmente. Il principale ostacolo del Continual Learning è costituito dal Catastrophic Forgetting, ovvero, la tendenza delle reti neurali nel dimenticare task passati a favore di quelli correnti. Il risultato di questo fenomeno si manifesta con una forte degradazione in termini di performance con l’aumentare dei task nel tempo. L’Anomaly Detection, a sua volta, è caratterizzata dalla difficoltà derivata dalla definizione di anomalia stessa, la quale inficia sull'approccio operativo per la detection di anomalie. Gli sforzi di questo lavoro intendono descrivere un framework atto al rilevamento delle anomalie capace di riportare performance in linea con l'attuale stato dell'arte e operante in un setting di Continual Learning. Al meglio della nostra conoscenza questo lavoro è la prima proposta a coniugare questi distinti ambiti in un unico problema di Continual Anomaly Detection.
|
Abstract
The following work has a clear objective to make possible the union of two distinct topics of Deep Learning, in particular: Continual Learning and Anomaly Detection. The union of these subjects raises a series of issues that potentially can mutually magnify each other. The leading issue associated with the Continual Learning methods is Catastrophic Forgetting, the tendency of a neural network to forget past tasks in favor of newer ones. The result of this phenomenon manifests itself with severe degradation of performance as new tasks are learned. Anomaly Detection, on the other hand, is characterized by the absence of a clear definition of the anomaly itself, which makes it fundamentally difficult to approach. The focus of this work is to describe a model able to deliver state-of-the-art performance in the field of Anomaly Detection and also operate on Continual Learning settings. To the best of our knowledge, this is the first work to join these different topics in a single Continual Anomaly Detection problem.
|
