LSTM 기반 비지도 및 반지도 이상 탐지와 OC SVM SVDD 공동 최적화
본 논문은 가변 길이 시계열 데이터를 고정 길이 표현으로 변환하는 LSTM 구조와 One‑Class SVM·SVDD 기반 이상 탐지기를 결합한다. LSTM 파라미터와 OC‑SVM·SVDD 파라미터를 동시에 최적화하는 두 가지 학습 방식(이차계획법 기반과 그래디언트 기반)을 제안하고, 그래디언트 방식에서는 목적 함수를 부드럽게 근사하여 수렴성을 증명한다. 또한 제안 방법을 GRU에도 적용 가능하도록 일반화하였다. 실험 결과, 기존 고정 길이 기반…
저자: Tolga Ergen, Ali Hassan Mirza, Suleyman Serdar Kozat
본 논문은 가변 길이 시계열 데이터를 효과적으로 이상 탐지하는 새로운 프레임워크를 제안한다. 기존의 One‑Class SVM(OC‑SVM)이나 Support Vector Data Description(SVDD) 같은 경계 기반 방법은 입력이 고정 차원이어야 한다는 제약 때문에 가변 길이 시퀀스를 직접 처리하지 못한다. 반면, LSTM(Long Short‑Term Memory)과 같은 순환 신경망은 시퀀스의 시간적 의존성을 학습할 수 있지만, 기존 LSTM 기반 이상 탐지 연구는 주로 미래 값을 예측하고 예측 오차를 기반으로 임계값을 설정하는 방식으로, 목적 함수가 명시적이지 않아 최적화가 복잡하고 성능이 제한적이다.
이를 해결하기 위해 저자들은 먼저 입력 시퀀스 \(X_i =
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기