## Memo ## Abstract 異常検知は、クラウドコンピューティングにおいてより高い可用性と信頼性を実現するために不可欠である。従来のオートエンコーダーベースの手法は、過去の正常なサンプルをモデル化し、その後、固定された異常スコアの閾値によって現在のオンライン異常サンプルを識別するだけである。近年、より多くの進歩が見られたが、2つの主要な課題が残っている：(i) 過去の異常サンプルを無視すること、(ii) オンライン検出のための自己適応能力が低いこと。上記の課題を解決するために、我々はオートエンコーダと[[対照学習]]とブロードネットワークを統合した統合検出器、すなわちBroadCAEを提案する。具体的には、まず再構成損失を、正常サンプルと異常サンプルの両方を等しく定式化する対比的損失に置き換える。同じクラスに属するこれらのサンプルは、低次元空間においてより近くなる。逆に、異なるクラスのサンプルは互いに遠くなる。次に、アノマリスコアに基づく擬似閾値を適用し、動的閾値選択を学習する。動的閾値選択におけるブロードネットワークはディープネットワークの代わりとなり、壊滅的な忘却を克服し、新しいオンラインサンプルに適応する。最後に、4つのベンチマークデータセットを用いて検証実験を行った。我々のBroadCAEは、f1スコアの平均4%以上で比較ベースライン法を上回る。