[논문]적대적 생성 신경망을 활용한 비지도 학습 기반의 대기 자료 이상 탐지 알고리즘 연구

양호준; 이선우; 이문형; 김종구; 최정무; 신유미; 이석채; 권장우; 박지훈; 정동희; 신혜정

doi:10.22156/cs4smb.2022.12.04.260

초록
AI-Helper

본 논문에서는 기존에 전문가에 의해서 이루어지던 국가 대기오염 측정망 데이터들의 이상 탐지 작업을 인공지능을 통해 자동화하고자 심층 신경망을 이용한 이상 탐지 모델을 제안하였다. 환경과학원에서 제공받은 기상자료 데이터의 결측치 및 이상치를 분석하여 학습데이터를 생성하였으며 비지도 학습 방식의 BeatGAN 모델에 기반하여 커널 구조 변경과 합성곱 필터층 및 전치 합성곱 필터층의 추가를 통해 새로운 모델을 제안하여 이상 탐지 성능을 높이고자 하였다. 또한 제안하는 모델의 생성적 특징을 활용하여 새로운 데이터를 생성하고 이를 학습에 사용하는 재학습 알고리즘을 구현 및 적용하여 기존 BeatGAN 모델뿐 아니라 다른 비지도 학습 모델인 Iforest, One Class SVM과 비교하였을 때 제안모델의 성능이 가장 높았음을 확인할 수 있었다. 본 연구를 통해 실제 산업현장에서 센서의 이상, 점검 등의 여러 요인으로 인해 학습 데이터가 부족한 상황에서 추가적인 비용없이 과적합을 피하며 제안하는 모델의 이상탐지 성능을 올릴 수 있는 방법을 제시할 수 있었다.

Abstract ▼ AI-Helper

In this paper, We propose an anomaly detection model using deep neural network to automate the identification of outliers of the national air pollution measurement network data that is previously performed by experts. We generated training data by analyzing missing values and outliers of weather dat...

In this paper, We propose an anomaly detection model using deep neural network to automate the identification of outliers of the national air pollution measurement network data that is previously performed by experts. We generated training data by analyzing missing values and outliers of weather data provided by the Institute of Environmental Research and based on the BeatGAN model of the unsupervised learning method, we propose a new model by changing the kernel structure, adding the convolutional filter layer and the transposed convolutional filter layer to improve anomaly detection performance. In addition, by utilizing the generative features of the proposed model to implement and apply a retraining algorithm that generates new data and uses it for training, it was confirmed that the proposed model had the highest performance compared to the original BeatGAN models and other unsupervised learning model like Iforest and One Class SVM. Through this study, it was possible to suggest a method to improve the anomaly detection performance of proposed model while avoiding overfitting without additional cost in situations where training data are insufficient due to various factors such as sensor abnormalities and inspections in actual industrial sites.

주제어

표/그림 (12)

그림 Fig 1. Analyzing data in terms of Anomaly
그림 Fig 2. Applied preprocessing algorithm
표 Table 1. The measurement period of the automatic measurement item
표 Table 2. Experiment environment
표 Table 3. Rate of Anomaly data
그림 Fig. 3. The architecture of the proposed model based on BeatGAN
그림 Fig. 4. Confusion matrix
표 Table 4. Changes and additions to the convolution filter structure
표 Table 5. Information of train data
표 Table 6. Applied hyper parameters
표 Table 7. Experiment result
그림 Fig. 5. An example of actual application of anomaly detection through proposed model

참고문헌 (12)

J. Li, H. Izakian, W. Pedrycz & I. Jamal. (2020). Clustering-based anomaly detection in multivariate time series data. Applied Soft Computing, 100, 106919. DOI : 10.1016/j.asoc.2020.106919

상세보기
A. Deng & B. Hooi. (2021). Graph Neural Network-Based Anomaly Detection in Multivariate Time Series. Proceedings of the AAAI Conference on Artificial Intelligence (Vol. 35, No. 5, pp. 4027-4035). ArXiv:2106.06947 DOI : 10.48550/arXiv.2106.06947
J. Zhou et al. (2020). Graph neural networks: A review of methods and applications. AI Open, 1, 57-81. DOI : 10.1016/j.aiopen.2021.01.001

상세보기
H. Ren et al. (2019). Time-Series Anomaly Detection Service at Microsoft. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining, (pp.3009-3017). DOI : 10.1145/3292500.3330680
L. Ruthotto & E. Haber. (2021). An Introduction to Deep Generative Modeling. GAMM-Mitteilungen, 44(2), e202100008. ArXiv:2103.05180 DOI : 10.1002/gamm.202100008

상세보기
Air Korea. (2021). Annual report of the Atmospheric Environment 2020(Online). https://www.airkorea.or.kr/web/detailViewDown?pMENU_NO125
S. G. K. Patro & K. K. sahu. (2015). Normalization: A Preprocessing Stage. IARJSET, 2(3), 20-22. DOI : 10.17148/IARJSET.2015.2305
B. Zhou, S. Liu, B. Hooi, X. Cheng & J. Ye. (2019). BeatGAN: Anomalous Rhythm Detection using Adversarially Generated Time Series. Proceedings of the Twenty-Eighth International Joint Conference on Artificial Intelligence, (pp. 4433-4439). DOI : 10.24963/ijcai.2019/616
K. Cho et al. (2014). Learning Phrase Representations using RNN Encoder-Decoder for Statistical Machine Translation. ArXiv:1406.1078 DOI : 10.48550/arXiv.1406.1078
J. Davis & M. Goadrich. (2006). The relationship between Precision-Recall and ROC curves. Proceedings of the 23rd International Conference on Machine Learning - ICML '06, 233-240. DOI : 10.1145/1143844.1143874
F. T. Liu, K. M. Ting & Z.-H. Zhou. (2008). Isolation Forest. 2008 Eighth IEEE International Conference on Data Mining, (pp. 413-422). DOI : 10.1109/ICDM.2008.17
L. M. Manevitz & M. Yousef. (2001). One-Class SVMs for Document Classification. Journal of Machine Learning Research, 2(Dec), 139-154.

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

적대적 생성 신경망을 활용한 비지도 학습 기반의 대기 자료 이상 탐지 알고리즘 연구
A Study on Atmospheric Data Anomaly Detection Algorithm based on Unsupervised Learning Using Adversarial Generative Neural Network 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (12)

표/그림 (12)

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

적대적 생성 신경망을 활용한 비지도 학습 기반의 대기 자료 이상 탐지 알고리즘 연구 A Study on Atmospheric Data Anomaly Detection Algorithm based on Unsupervised Learning Using Adversarial Generative Neural Network 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (12) 모든 표/그림 보기

표/그림 (12) 슬라이드로 보기

참고문헌 (12)

이 논문을 인용한 문헌

저자의 다른 논문 :

권장우 (68) 박지훈 (4) 정동희 (3) 신혜정 (18)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

적대적 생성 신경망을 활용한 비지도 학습 기반의 대기 자료 이상 탐지 알고리즘 연구
A Study on Atmospheric Data Anomaly Detection Algorithm based on Unsupervised Learning Using Adversarial Generative Neural Network 원문보기

초록
AI-Helper

표/그림 (12)

표/그림 (12)