類別分割異常偵測中的分數方向不穩定性

研究論文提出，在資料集內類別分割異常偵測評估中，該方法被廣泛用作完全無條件異常偵測的代理指標。論文探討指出，當異常類別在表徵空間中與正常混合資料重疊時，此評估方法可能變得不適定。在這種情況下，異常分數可能崩潰至隨機水平，甚至發生方向反轉，且最佳分數方向可能取決於未知的異常類別。為了解決此問題，研究引入了一個簡單的無需訓練診斷方法，稱為鄰里類別洩漏，並在 Fashion-MNIST、CIFAR-10 和 Imagenette 等數據集上，於像素和 VAE 潛在空間中驗證了其預測分數方向不穩定性的能力。結果建議，類別分割異常偵測基準應被視為幾何相關的壓力測試，而非異常偵測能力的普遍證據。