숟가락 그만 얹어
Deep SAD 본문
Deep SVDD의 semi-supervised setting이다. Unlabeled data는 대부분 normal인 것으로 가정하고 latent space에서 normal을 대표하는 centroid와 거리가 가까워지도록 모델을 학습한다. Centroid는 학습시킨 Autoencoder를 이용하여 training data에 대한 initial pass의 mean으로 설정한다. (왼쪽 term) Abnormal로 label된 data는 centroid에서 멀어지도록 학습한다. (중간 term)
이는 normal sample에 대해서는 entropy를 낮추는 효과가 있고 abnormal sample에 대해서는 entropy를 높이는 효과가 있다고 하는데, 사실 latent space를 Gaussian으로 가정하면 variance와 entropy는 비례하는 관계이기 때문에 당연한 얘기다.
Labeled sample을 더 많이 확보할수록 좋은 성능과 polluted sample에 대한 robustness를 가진다.
References
[1] L. Ruff et al., Deep Semi-Supervised Anomaly Detection, ICLR 2020
'Research > Anomaly Detection' 카테고리의 다른 글
| A Unifying Review of Anomaly Detection (0) | 2020.10.30 |
|---|---|
| Classification-based Anomaly Detection (0) | 2020.09.10 |
| MSCRED (0) | 2020.08.29 |
| Time-series Anomaly Detection by PCA (3) (0) | 2020.07.15 |
| Time-series Anomaly Detection by PCA (2) (0) | 2020.07.15 |
'Research/Anomaly Detection' Related Articles
more
