이 논문은 통합 이상 탐지 문제를 다룬다. 통합 이상 탐지는 다중 클래스의 정상 샘플로 하나의 통합 모델을 학습하고, 이를 이용해 모든 클래스의 이상을 탐지하는 것을 목표로 한다.
기존 정규화 흐름 기반 이상 탐지 방법은 "동질적 매핑" 문제에 직면할 수 있다. 이는 정규화 흐름 기반 모델이 정상 및 이상 특징을 유사한 잠재 표현으로 매핑하여, 이상 탐지 성능이 저하되는 문제이다.
이를 해결하기 위해 저자들은 계층적 가우시안 혼합 정규화 흐름 모델링 방법(HGAD)을 제안한다. HGAD는 다음 3가지 핵심 구성요소로 이루어진다:
클래스 간 가우시안 혼합 모델링: 다중 클래스 분포를 잘 표현하고 학습할 수 있도록 잠재 공간에 클래스 별 가우시안 혼합 모델을 도입한다.
상호 정보 최대화: 클래스 간 분리 능력을 높이기 위해 잠재 특징과 클래스 간 상호 정보를 최대화하는 손실 함수를 추가한다.
클래스 내 혼합 클래스 중심 학습: 클래스 내에서도 다양한 정상 패턴을 학습할 수 있도록 클래스 내 혼합 가우시안 중심을 학습한다.
실험 결과, HGAD는 기존 정규화 흐름 기반 이상 탐지 방법 대비 큰 폭의 성능 향상을 보였으며, 최신 통합 이상 탐지 방법들도 능가하는 우수한 성능을 달성했다.
Ke Bahasa Lain
dari konten sumber
arxiv.org
Wawasan Utama Disaring Dari
by Xincheng Yao... pada arxiv.org 03-21-2024
https://arxiv.org/pdf/2403.13349.pdfPertanyaan yang Lebih Dalam