核心概念
DACAD는 레이블이 지정된 소스 도메인 데이터와 합성 이상치 주입을 활용하여 레이블이 지정되지 않은 타겟 도메인에서 효과적으로 이상치를 탐지할 수 있습니다.
要約
이 논문은 다변량 시계열 이상 탐지(TAD) 문제에 대한 새로운 도메인 적응 모델인 DACAD를 제안합니다. DACAD는 레이블이 지정된 소스 도메인 데이터와 합성 이상치 주입을 활용하여 레이블이 지정되지 않은 타겟 도메인에서 효과적으로 이상치를 탐지할 수 있습니다.
DACAD의 주요 구성 요소는 다음과 같습니다:
이상치 주입 메커니즘: 다양한 유형의 합성 이상치를 도입하여 모델의 일반화 능력을 향상시킵니다.
지도 대조 손실 함수: 소스 도메인의 정상 및 이상 샘플을 효과적으로 구분하기 위해 사용됩니다.
자기 지도 대조 손실 함수: 타겟 도메인의 특징 표현 학습을 개선하기 위해 사용됩니다.
도메인 식별기: 도메인 간 특징 정렬을 보장하여 도메인 간 지식 전이를 촉진합니다.
중심 기반 엔트로피 분류기(CEC): 소스 도메인의 정상 경계를 효과적으로 학습하여 이상치 탐지를 수행합니다.
이러한 구성 요소들이 결합되어 DACAD는 제한된 레이블 데이터 환경에서도 우수한 이상치 탐지 성능을 달성할 수 있습니다. 실험 결과는 DACAD가 기존 TAD 및 UDA 모델들을 크게 능가한다는 것을 보여줍니다.
統計
소스 도메인의 정상 샘플과 이상 샘플 간 거리는 적어도 마진 m 이상 벌어져야 한다.
타겟 도메인의 앵커 샘플과 양성 샘플 간 거리는 앵커 샘플과 음성 샘플 간 거리보다 적어도 마진 m 만큼 가까워야 한다.
引用
"DACAD의 접근 방식에는 다양한 유형의 합성 이상치를 도입하는 이상치 주입 메커니즘이 포함되어 있어, 모델의 일반화 능력을 향상시킵니다."
"DACAD는 소스 도메인의 정상 및 이상 샘플을 효과적으로 구분하기 위해 지도 대조 손실 함수를 사용하고, 타겟 도메인의 특징 표현 학습을 개선하기 위해 자기 지도 대조 손실 함수를 사용합니다."
"DACAD의 도메인 식별기는 도메인 간 특징 정렬을 보장하여 도메인 간 지식 전이를 촉진합니다."