초록 ▼

□ 연구개요
고차원 자료에서 이상값을 탐지하기 위해서 고차원의 자료를 저차원의 공간에 사영한 후 이상값 탐지를 하는 기법을 연구하는 것을 목표로 함. 고차원 자료의 차원 축소를 위한 딥러닝 오토인코더 기법을 개발하기 위해 Concrete 분포에 의한 Conditional Subspace VAE(Variational Autoencoder) 기법과 앙상블 기법을 통한 Multi-Headed 오토인코더 기법을 연구함. 또한 차원 축소된 저차원 상에서의 이상값 점수를 산정하기 위해 거리 및 밀도를 기반으로 하여 이상값 점수를 산정하는

□ 연구개요
고차원 자료에서 이상값을 탐지하기 위해서 고차원의 자료를 저차원의 공간에 사영한 후 이상값 탐지를 하는 기법을 연구하는 것을 목표로 함. 고차원 자료의 차원 축소를 위한 딥러닝 오토인코더 기법을 개발하기 위해 Concrete 분포에 의한 Conditional Subspace VAE(Variational Autoencoder) 기법과 앙상블 기법을 통한 Multi-Headed 오토인코더 기법을 연구함. 또한 차원 축소된 저차원 상에서의 이상값 점수를 산정하기 위해 거리 및 밀도를 기반으로 하여 이상값 점수를 산정하는 기법을 연구함.

□ 연구 목표대비 연구결과
고차원 자료의 차원 축소를 위한 딥러닝 오토인코더 기법으로 변분 오토인코더(Variational Autoencoder; VAE)를 제안함. 기존의 CL-VAE(Conditional Latent Space-VAE)의 잠재변수는 각 클래스범주의 분포가 겹쳐져 클래스범주별 극단값 탐색에 어려움이 있었음. 따라서 이를 보완한 지도학습 변분 오토인코더 모형을 제안함으로써 학습자료인 정상값에 대한 분포학습 성능을 향상시켰음.
기존 고차원 데이터에서 변수 선택은 조합 최적화의 문제로 많은 계산량이 요구됨. 오토인코더를 이용하여 고차원 데이터의 차원을 축소하는 과정에서 구해진 가중치행렬에 대해 위발견율(False Discovery Rate; FDR)을 적용하여 통계적으로 유의미한 변수들을 선택하고, 유의미함을 확인함. 오토인코더의 가중치 행렬 간 다중검정을 통해 의미 있는 변수들을 선택하고, 학습했을 때 효율적 차원 축소의 결과를 도출함.
차원 축소가 이루어지고 난 후 저차원 상에서의 이상값 점수 산정 기법을 연구함. 장기간의 고차원 시계열 데이터에 대해 통계적 방법론을 적용하여 데이터의 추세가 갖는 변동점의 유무 및 위치를 탐색함. 이러한 전처리 과정을 적용한 후 딥러닝 모형을 이용하여 특징을 추출하고 축소된 데이터에 k-means와 같은 군집분석을 적용하여 이상값을 탐지함.
축소된 저차원 자료를 이용하여 고차원 자료에 대해 좋은 성능을 보이는 지도학습 변분 오토인코더와 혼합 가우시안 밀도추정 기법을 이용한 극단값 탐색 기법을 제안함. 반복 실험을 통해 극단값 탐색 성능을 평가한 결과 본 연구에서 제안하는 극단값 탐색 기법이 고차원 자료에 대해 좋은 성능을 보이는 것을 확인함.

□ 연구개발성과의 활용 계획 및 기대효과(연구개발결과의 중요성)
다양한 분야에서 발생하는 이상값 문제에서는 이상값 여부에 대한 레이블이 실제로 존재하지 않는 경우가 많음. 본 연구에서 제안하는 새로운 이상값 탐지 기법은 딥러닝 오토인코더 기법을 기반으로 하는 비지도 학습 이상값 탐지 기법으로, 이상값 레이블이 부여되어 있지 않은 다양한 분야의 이상값 탐지에 폭넓게 적용 가능할 것으로 기대됨. 특히 사이버 보안 분야에서 외부자의 시스템 공격이나 금융 분야에서의 사기 행 위와 같이 이상값으로 인한 손실이 큰 분야에서는 정확도 높은 이상값 탐지를 가능하게 함으로써 높은 경제적 가치 창출에 도움을 줄 수 있음.
또한, 정확한 이상값 탐지를 통해 데이터의 질을 향상시킴으로써 고품질 자료의 생산을 가능하게 할 것으로 기대됨. 이는 4차 산업혁명으로 인한 자료의 폭발적 증가 현상에 따른 자료 품질에 대한 중요성을 강조하는 추세에 대응하는 것임. 본 연구에서 제안한 이상값 탐지 모형의 적용으로 고품질의 자료를 확보할 수 있으며, 이는 이후 이루어지는 모형구축 과정에도 기여하여 정확도 높은 모형의 구축에 활용할 수 있음.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 4
• 2. 연구개발과제의 수행 과정 및 수행 내용 ... 4
• ■ 고차원 자료의 차원 축소를 위한 딥러닝 오토인코더 기법 연구 ... 5
• ■ 차원 축소된 저차원 상에서의 이상값 점수 산정 기법 연구 ... 6
• 3. 연구개발과제의 수행 결과 및 목표 달성 수준 ... 7
• 1) 정성적 연구개발성과(연구개발결과) ... 7
• 2) 세부 정량적 연구개발성과 ... 12
• 3) 목표 달성 수준 ... 12
• 4) 목표 미달 시 원인 분석 ... 12
• 4. 연구개발성과의 관련 분야에 대한 기여 정도(연구개발결과의 중요성) ... 13
• 5. 연구개발성과의 관리 및 활용 계획 ... 13
• 6. 참고문헌 ... 14
• 붙임1 세부 정량적 연구개발성과 ... 15
• 붙임2 연구책임자 대표적 연구실적 및 증빙(요약문 및 사본) ... 17
• 끝페이지 ... 18