숟가락 그만 얹어
MSCRED 본문
이상 패턴에 시계열적 특성이 (temporal dependency) 보인다면 window 방식으로 문제를 접근하는 것이 타당하다. 이때 window size를 어떻게 잡느냐에 따라 검출할 수 있는 이상 패턴이 달라지는데, 본 논문에서는 다양한 패턴을 검출하는 간단한 아이디어를 제시하였다. 예를 들어 30개의 센서 데이터에 대하여 3가지 window size를 정하고, 각각의 window에 대한 covariance matrix를 쌓는 것이다. 그러면 데이터의 차원이 time t에서 (30, 30, 3)이 되어 이미지처럼 CNN을 활용할 수 있다. t-4에서 t까지의 covariance matrix를 sequence 차원으로 쌓으면 최종 데이터의 input size는 (5, 30, 30, 3)이 되어 비디오의 형태와 같아진다.
MSCRED 모델은 multi-scale object detection처럼 다양한 scale의 feature를 decoder에 다시 concat하는 방식을 사용한다. 그 외에도 conv_lstm에 대한 attention이나 residual같은 technique이 사용된다. 적용해볼 만한 좋은 논문인듯.
References
[1] C. Zhang et al., A Deep Neural Network for Unsupervised Anomaly Detection and Diagnosis in Multivariate Time Series Data, AAAI 2019
'Research > Anomaly Detection' 카테고리의 다른 글
| Deep SAD (0) | 2020.09.14 |
|---|---|
| Classification-based Anomaly Detection (0) | 2020.09.10 |
| Time-series Anomaly Detection by PCA (3) (0) | 2020.07.15 |
| Time-series Anomaly Detection by PCA (2) (0) | 2020.07.15 |
| Time-series Anomaly Detection by PCA (1) (0) | 2020.07.15 |
'Research/Anomaly Detection' Related Articles
more
