Notice
Recent Posts
Recent Comments
Link
일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | ||||
4 | 5 | 6 | 7 | 8 | 9 | 10 |
11 | 12 | 13 | 14 | 15 | 16 | 17 |
18 | 19 | 20 | 21 | 22 | 23 | 24 |
25 | 26 | 27 | 28 | 29 | 30 | 31 |
Tags
- multi modal
- Meta heuristic
- 딥러닝
- Process Mining
- Sequence data
- Fixed Learning
- auto encoder
- 밀도 기반 이상탐지
- XAI
- GAN
- Text generation
- One-Sided Selection
- PM4Py
- 국비지원교육
- Clustering 기반 이상탐지
- Inatance segmentation
- Data Imbalance
- Gausian Density Estimation
- OCSVM
- Tomek links
- Petri net
- Generative modeling
- 병리 AI
- Grad-CAM
- SQL 데이터 분석 첫걸음
- Random Undersampling
- 거리 기반 이상탐지
- 프로세스 마이닝
- Condensed neares neighbor rule
- Digital Pathology
Archives
- Today
- Total
Create Opportunities
[인공지능 응용] Anomlay Detection(5) 본문
경계 기반 이상탐지 기법
1) One-class SVM (1-SVM)
일단 SVM을 요약해보면,
: 데이터 공간상에서 정상과 이상을 구분하는 경계선(= 판별 함수)을 직접 정의한다. 고차원 상에서의 SVM 학습은 Hyperplane을 구하는 것이다.
아니, 근데 정상만으로 학습하는데 정상과 이상의 분류 경계선을 어떻게 설정할 수 있냐 ? → 이게 핵심이다.
hyperplane으로부터 각 class의 가장 인접한 관측치까지의 거리 (= Margin) 를 최대화!!
outlier에 강건하게, generalization 성능을 높이도록 hyperplane을 찾아야 한다.
위 수식은 SVM의 핵심이며, 증명은 그리 어렵지 않다... 잘 생각해보면 된다.
저차원 → 고차원(kernel trick) Mapping하여 선형 분류기(Hyperplane)를 찾고,
이를 다시 저차원으로 가져와서 boundary를 구할 수 있다.
One Class SVM은 어떠한 형태인가 ?
: 원점으로부터 정상 데이터를 밀어낼 수 있는 가장 먼 Hyperplane을 찾는다.
1. Maximal margin
2. 원점에서 hyperplane 밀어낸다.
3. 예외적인 data도 포함하도록 Hyperplane을 당겨준다.
SVM은 깊게 들어갈수록 어려운 것 같다. 시간될 때, 각잡고 좀 봐야겠다.
'이상 탐지' 카테고리의 다른 글
[인공지능 응용] Anomaly Detection(6) (0) | 2022.12.02 |
---|---|
[인공지능 응용] Anomaly Detection(4) (0) | 2022.12.01 |
[인공지능 응용] Anomaly Detection(3) (0) | 2022.11.30 |
[인공지능 응용] Anomaly Detection(2) (0) | 2022.11.29 |
[인공지능 응용] Anomaly Detection(1) (0) | 2022.11.29 |