초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문은 다변량 시계열 데이터의 시계열 특성과 변수 간 관련성을 학습하여 이상을 탐지할 수 있는 인공신경망의 구성 및 알고리즘(T2IAE)에 관하여 설명한다.
T2IAE는 일정 윈도우 사이즈 내에 존재하는 다변량 데이터를 시계열 데이터의 시간에 따른 변화와 변수 간의 ...

본 논문은 다변량 시계열 데이터의 시계열 특성과 변수 간 관련성을 학습하여 이상을 탐지할 수 있는 인공신경망의 구성 및 알고리즘(T2IAE)에 관하여 설명한다.
T2IAE는 일정 윈도우 사이즈 내에 존재하는 다변량 데이터를 시계열 데이터의 시간에 따른 변화와 변수 간의 변이 확률을 학습 가능하도록 이미지 형태로 변환하여 모델에 입력한다. 모델은 두 개의 컨볼루션 기반의 오토인코더가 적대적으로 학습할 수 있도록 설계하여 실제 데이터로부터 얻은 잠재 벡터를 사용하여 복원한 데이터와 복원된 데이터로부터 얻은 잠재 벡터를 사용하여 재복원한 데이터 간의 차이를 크게 하도록 학습을 수행한다. 이상 현상을 판별하기 위해 복원된 데이터와 실제 데이터의 차이를 속성 별로 나누어 계산하고, 이 차이가 일정 임계값을 넘는 속성의 개수를 이상 탐지의 기준으로 활용하였다.

Abstract ▼ AI-Helper

This paper introduces an time-series to image transformed adversarial autoencoder, T2IAE, that can detect anomalies by learning the relevance multivariate time series.
T2IAE consists of two autoencoders, one is trained to minimize the reconstructed error and the other is trained to maximize the...

This paper introduces an time-series to image transformed adversarial autoencoder, T2IAE, that can detect anomalies by learning the relevance multivariate time series.
T2IAE consists of two autoencoders, one is trained to minimize the reconstructed error and the other is trained to maximize the reconstructed error for the reconstructed data. The encoder part has multiple 2D convolution layers and the decoder part has multiple 2D transposed convolution layers. The input of T2IAE is images transformed multivariate time-series data. To transform time-series data to image, it applies GAF, MTF and RP to each features so that the neural network can learn relevance between time series features.
To determine anomalies, T2IAE uses reconstruction errors and anomaly feature ratios. The reconstruction error is an average of difference between the reconstructed data and the actual data. To get the anomaly feature ratio, it counts how many features exceeds a threshold.

주제어