핵심 개념
클래스 정보를 활용하여 클래스 간 간섭을 완화하고 각 클래스의 정상 특징 분포를 효과적으로 모델링할 수 있는 통합 이상치 탐지 모델을 제안한다.
초록
본 연구는 다중 클래스 이상치 탐지 문제를 다룬다. 기존 연구에서는 클래스 정보를 활용하지 않아 클래스 간 간섭이 발생하는 문제가 있었다. 이를 해결하기 위해 본 연구에서는 클래스 정보를 활용하여 클래스 간 간섭을 완화하고 각 클래스의 정상 특징 분포를 효과적으로 모델링할 수 있는 통합 이상치 탐지 모델인 MINT-AD를 제안한다.
MINT-AD의 핵심 구성은 다음과 같다:
- 암묵적 신경망 표현(INR) 네트워크를 활용하여 클래스 정보를 효과적으로 재구성 네트워크의 쿼리에 반영한다.
- 각 클래스의 정상 특징 분포를 가우시안 분포로 모델링하고, 분포 정보를 재구성 네트워크에 반영하는 사전 손실 함수를 도입한다.
실험 결과, MINT-AD는 기존 통합 모델 대비 향상된 성능을 보였으며, 특히 세부 클래스가 많은 카테고리에서 두드러진 성능 향상을 보였다. 이는 클래스 정보를 효과적으로 활용하여 클래스 간 간섭을 완화하고 각 클래스의 정상 특징을 잘 모델링할 수 있음을 보여준다.
통계
다중 클래스 이상치 탐지 문제에서 클래스 간 간섭이 주요 과제이며, 클래스 정보를 활용하면 이를 완화할 수 있다.
제안한 MINT-AD 모델은 암묵적 신경망 표현(INR)을 활용하여 클래스 정보를 효과적으로 재구성 네트워크에 반영할 수 있다.
MINT-AD는 각 클래스의 정상 특징 분포를 가우시안 분포로 모델링하고, 분포 정보를 재구성 네트워크에 반영하는 사전 손실 함수를 도입하였다.
인용구
"클래스 간 간섭"은 통합 이상치 탐지 모델의 핵심 문제이며, 클래스 정보를 활용하면 이를 해결할 수 있다.
MINT-AD는 암묵적 신경망 표현(INR)을 활용하여 클래스 정보를 효과적으로 재구성 네트워크에 반영할 수 있다.
MINT-AD는 각 클래스의 정상 특징 분포를 가우시안 분포로 모델링하고, 분포 정보를 재구성 네트워크에 반영하는 사전 손실 함수를 도입하였다.