선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문에서는 보다 효과적인 비정상 점수 도출을 위한 방법을 제안하는데, 다음과 같은 상황을 고려한다. 정상 데이터는 다수의 클래스들로 구분될 수 있지만, 명시적으로 주어진 클래스 레이블은 없다.
- 효과적인 이상 진단을 위한 핵심 기술 중 하나는 정상 데이터와 비정상 데이터를 더 잘 구분하기 위한 비정상 점수를 도출하는 것이다. 본 논문에서는, 확보된 정상 데이터를 클러스터링 기법을 통해 다수의 클러스터로 구분하고 클러스터별로 모델을 구성함으로써 보다 효과적인 비정상 점수를 도출하는 방법의 타당성을 실험을 통하여 검증하였다. 본 연구의 연속을 위해서, Imagenet 과 같이 MNIST 보다 좀 더 복잡한 형태의 데이터에 기반하여 타당성 검증을 진행할 필요가 있다.
- 그림 2 는 이러한 과정을 보여준다. 실험의 목적은, 클러스터 별로 포함된 클래스의 수에 따른 그리고 클러스터에 포함된 클래스 간의 유사성 정도에 따른 비정상 점수 유용성 비교이다. 실험을 위해서 10 개의 클래스로 구성되는 MNIST 데이터[4]를 사용하였다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.