
초록
반감독 학습 기반 이상 탐지 기법은 정상 샘플만을 사용하여 모델을 학습시켜 이상을 탐지하는 것을 목표로 한다. 최근 딥러닝 기술의 발전에 따라 효율적인 딥 이상 탐지 방법들이 설계되고 있다. 기존 연구들은 일반적으로 신경망을 활용하여 데이터를 더 정보량이 풍부한 표현으로 매핑한 후, 이상 탐지 알고리즘을 적용하는 방식을 사용한다. 본 논문에서는 자동차 인코더의 파라미터를 동시에 학습하면서 잠재 표현 공간 내에 존재하는 포괄 초구(hyper-sphere)의 부피를 최소화하는 방법, 즉 DASVDD(Dual-Autoencoder Sphere Volume Minimization)를 제안한다. 제안하는 방법은 자동차 인코더의 재구성 오차와 잠재 표현 공간 내 초구 중심으로부터의 거리의 조합을 기반으로 한 이상 점수(anomaly score)를 도입한다. 이 이상 점수를 최소화함으로써 학습 과정에서 정상 클래스의 진정한 분포를 효과적으로 학습할 수 있다. 이상 점수에 재구성 오차를 포함시킴으로써, DASVDD 모델은 잠재 표현 공간에서 모든 입력을 동일한 상수 점으로 매핑하는 '초구 붕괴(hypersphere collapse)'라는 일반적인 문제를 피할 수 있다. 다양한 기준 데이터셋에 대한 실험 평가 결과, 제안된 방법은 일반적으로 사용되는 최첨단 이상 탐지 알고리즘들을 능가하며, 다양한 이상 유형에 걸쳐 안정적인 성능을 유지함을 확인하였다.