본 논문은 실제 산업 현장에서 발생할 수 있는 오염된 데이터 문제를 해결하기 위해 패치 수준의 노이즈 제거와 가중치 부여 기법을 제안한다. 제안된 SoftPatch 방법은 기존 방법들에 비해 노이즈에 강건하면서도 일반적인 상황에서도 우수한 성능을 보인다.
다중 클래스에 대한 통합 이상 탐지를 위해 계층적 가우시안 혼합 정규화 흐름 모델링 방법을 제안한다. 이 방법은 클래스 간 가우시안 혼합 모델링, 상호 정보 최대화, 클래스 내 혼합 클래스 중심 학습 전략을 통해 기존 정규화 흐름 기반 이상 탐지 방법의 "동질적 매핑" 문제를 해결한다.
실제 세계 이상 탐지 시나리오에 적합한 통합 모델을 제안하며, 정상 데이터와 소수의 관찰된 이상 데이터를 효과적으로 활용하는 이중 메모리 뱅크 기반 표현 학습 프레임워크를 소개한다.
실제 세계 이상 탐지 시나리오에 적합한 통합 모델을 위해 정상 데이터와 소수의 주석된 이상 데이터를 활용하는 이중 메모리 뱅크 기반 표현 학습 프레임워크를 제안한다.
한정된 자원을 활용하여 이상을 지역화하는 새로운 부분 공간 안내 특징 재구성 프레임워크를 제안합니다.