개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 김경옥
- 발행연도
- 2021
- 저작권
- 서울과학기술대학교 논문은 저작권에 의해 보호받습니다.
이용수20
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
이상 탐지 문제는 다수의 정상 데이터와 소수의 비정상 데이터를 분류하는 이 진 분류 문제로, 실제 다양한 산업분야에서 응용되고 있다. 이상 탐지 문제는 정 답 레이블에 대한 불균형 문제와 정답 레이블을 활용할 수 있는 경우가 많지 않 다는 특징을 가지고 있으며, 이로 인해 주로 준지도 학습 방식이나 비지도 학습 방식이 활용된다. 특히 다변량 시계열 데이터 이상 탐지는 시간 의존성과 변수 사 이의 상관관계까지 모두 고려해야 하기 때문에 기존 이상 탐지보다는 어려운 문 제로 분류된다. 다변량 시계열 데이터 이상 탐지 문제를 해결하기 위해 최근 다양 한 연구에서 모델 기반 이상 탐지 방법을 제안하고 있다. 하지만 모델 기반 이상 탐지는 모델을 정상 데이터만으로 학습시켜야 하는데, 이상 탐지가 필요한 산업 데이터들은 정답 레이블을 활용할 수 없는 경우가 많아 학습 데이터가 정상 데이 터만으로 구성되어 있는지 확신할 수 없기 때문에 제약이 따를 수 있다. 따라서 본 연구에서는 다변량 시계열 이상 탐지 문제에서 다변량 시계열 데이터의 특성 을 고려한 학습 데이터 필터링 알고리즘을 통해 학습 데이터 내에 비정상 데이터 가 존재하는 경우에 대해서도 모델 기반 이상 탐지를 활용할 수 있는 방법을 제 안한다. 본 연구에서 제안하는 학습 데이터 필터링 알고리즘은 다변량 시계열 이 상 탐지 문제에서 완전한 비지도 학습 방식으로 모델 기반의 이상 탐지를 적용할 수 있다는 점과 필터링 과정에서 계산 속도가 빠르다는 장점이 있다. 학습 데이터 필터링 알고리즘을 통해 다변량 시계열 데이터 이상 탐지 문제에서 학습 데이터 가 정상 데이터로 구성되어 있지 않은 경우에도 모델 기반 이상 탐지 활용을 기 대해볼 수 있다.
목차
I. 서 론 · 11. 연구의 배경 및 목적 1II. 관련 연구 51. 비시계열 데이터 이상 탐지 52. 시계열 데이터 이상 탐지 53. 예측 모델 기반 다변량 시계열 이상 탐지 94. 오토인코더 기반 다변량 시계열 이상 탐지 11III. 연구 방법 141. 학습 데이터 필터링의 필요성 142. 학습 데이터 필터링 알고리즘 15IV. 실험 설계 및 결과 241. 실험 데이터 242. 평가 지표 263. 실험 설계 294. 실험 결과 32V. 결 론 431. 연구 요약 432. 한계점 및 추후 연구 44
최근 본 자료
댓글(0)
0