메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색

논문 기본 정보

자료유형
학위논문
저자정보

박홍제 (서울과학기술대학교, 서울과학기술대학교 대학원)

지도교수
김경옥
발행연도
2021
저작권
서울과학기술대학교 논문은 저작권에 의해 보호받습니다.

이용수20

표지
AI에게 요청하기
추천
검색

이 논문의 연구 히스토리 (2)

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 · 1
1. 연구의 배경 및 목적 1
II. 관련 연구 5
1. 비시계열 데이터 이상 탐지 5
2. 시계열 데이터 이상 탐지 5
3. 예측 모델 기반 다변량 시계열 이상 탐지 9
4. 오토인코더 기반 다변량 시계열 이상 탐지 11
III. 연구 방법 14
1. 학습 데이터 필터링의 필요성 14
2. 학습 데이터 필터링 알고리즘 15
IV. 실험 설계 및 결과 24
1. 실험 데이터 24
2. 평가 지표 26
3. 실험 설계 29
4. 실험 결과 32
V. 결 론 43
1. 연구 요약 43
2. 한계점 및 추후 연구 44

최근 본 자료

전체보기

댓글(0)

0