본 논문에서는 이상 탐지 (Anomaly Detection)를 위한 약지도 학습 (Weakly Supervised) 방법을 탐구합니다. 비디오에 주석을 다는 작업은 시간이 많이 소요되기 때문에, 우리는 학습 과정 동안 약한 비디오 수준의 레이블 (Video-level labels)만을 고려합니다. 이는 특정 비디오가 주어졌을 때, 해당 비디오가 정상인지 또는 이상 징후를 포함하고 있는지는 알 수 있지만, 네트워크를 학습시키기 위해 추가적인 주석은 사용되지 않음을 의미합니다. 정상 또는 이상이 있는 비디오 클립으로부터 특징 (Features)을 추출합니다. 이러한 특징들은 분류기 (Classifier)와 다중 인스턴스 랭킹 손실 (Multiple Instance Ranking Loss, MIL)의 구현을 기반으로 클립의 시공간 영역 (Spatiotemporal regions)에 대한 이상 점수 (Anomaly scores)를 결정하는 데 사용됩니다. MIL을 적용하기 위해, 이상이 있는 비디오 클립과 정상 비디오 클립을 각각 양성 백 (Positive bags)과 음성 백 (Negative bags)으로 표현합니다. 또한, 이상 징후는 보통 프레임 전체보다는 프레임의 일부에 국한되어 나타나기 때문에, 우리는 공간적 (Spatial) 이상 탐지뿐만 아니라 시간적 (Temporal) 이상 탐지를 탐구하기로 했습니다. 우리는 UCF Crime 데이터셋의 일부에 대한 시공간 주석을 포함하고 있는 UCF Crime2Local 데이터셋을 통해 결과를 보여줍니다.