Core Concepts
다수의 클라이언트가 서로의 원시 데이터를 공개하지 않고도 협업하여 이상 소리 탐지 모델을 학습할 수 있는 방법을 제안한다.
Abstract
본 논문에서는 산업 기계 이상 소리 탐지를 위한 분산 협업 학습 방법을 제안한다. 각 클라이언트는 서로 다른 기계 또는 다른 운전 상태의 데이터를 가지고 있어 연합 학습이나 분할 학습으로는 어려움이 있다. 제안 방법에서는 각 클라이언트가 공통의 사전 학습된 모델을 사용하여 임베딩을 계산하고, 이 임베딩을 서버에 집계하여 이상치 노출을 통해 이상 소리 탐지를 수행한다. 실험 결과, 제안 방법은 평균 6.8%의 AUC 향상을 보였다.
Stats
제안 방법을 사용하면 각 클라이언트가 단일 기계의 데이터만 가지고 있는 극단적인 비 IID 상황에서도 이상치 노출을 통해 높은 정확도의 이상 소리 탐지 모델을 학습할 수 있다.
제안 방법에서 OpenL3-6144 모델을 사용한 경우 Glow 모델 대비 평균 AUC가 6.8% 향상되었다.
Quotes
"다수의 클라이언트가 서로의 원시 데이터를 공개하지 않고도 협업하여 이상 소리 탐지 모델을 학습할 수 있는 방법을 제안한다."
"제안 방법에서는 각 클라이언트가 공통의 사전 학습된 모델을 사용하여 임베딩을 계산하고, 이 임베딩을 서버에 집계하여 이상치 노출을 통해 이상 소리 탐지를 수행한다."