Core Concepts
深層オートエンコーダーの効率的なモデル圧縮手法を提案し、異常検知性能を維持することが可能である。
Abstract
多変量時系列の異常検知は産業や研究分野で重要な問題であり、深層学習方法が複雑な多変量データの解析に適している。しかし、リアルタイム要件を満たすために予測を迅速に抽出することが重要である。本論文では、新しい深層オートエンコーダーの圧縮手法を提案し、3つの主要因子(プルーニング、線形および非線形量子化)に焦点を当ててモデルサイズを削減し、異常検知性能を保持しながら高度制約ハードウェア環境で採用可能なモデルを実現する。
Stats
プルーニングは80%から95%までのモデル圧縮率を達成可能。
異常検知パフォーマンスに著しい低下は見られない。
Quotes
"Deep learning methods are preferred among others for their accuracy and robustness for the analysis of complex multivariate data."
"Pruning reduces the number of weights, while preventing catastrophic drops in accuracy by means of a fast search process that identifies high sparsity levels."
"The combined contribution of pruning and quantization allows the model size to be reduced, making it faster and easier to adopt in highly constrained hardware environments."