스택형 RNN 프레임워크에서 기반한 희소 코딩을 이용한 이상 탐지의 재검토

희소 코딩 기반 이상 탐지의 가능성을 시사하며, 우리는 인접 프레임이 유사한 재구성 계수로 인코딩되도록 강제하는 시간적으로 일관성 있는 희소 코딩(Temporal-coherent Sparse Coding, TSC)을 제안한다. 이후 이러한 TSC를 특수한 유형의 스택형 순환 신경망(sRNN)에 매핑한다. sRNN을 활용해 모든 파라미터를 동시에 학습함으로써, TSC에 있어 복잡한 하이퍼파라미터 설정 문제를 회피할 수 있으며, 얕은 구조의 sRNN을 사용함으로써 전방 전파(forward pass) 한 번 내에 재구성 계수를 추론할 수 있어, 희소 계수 학습에 필요한 계산 비용을 감소시킬 수 있다. 본 논문의 기여는 두 가지 측면에서 이루어진다: i) TSC를 제안하며, 이를 sRNN에 매핑함으로써 파라미터 최적화를 용이하게 하고 이상 탐지 예측 속도를 가속화한다. ii) 기존 모든 이상 탐지 데이터셋의 합보다도 더 큰 규모와 더 풍부한 장면 다양성을 갖춘 매우 대규모 데이터셋을 구축하였다. 인공 데이터셋과 실제 데이터셋을 대상으로 수행한 광범위한 실험 결과, 제안하는 TSC 기반 및 sRNN 기반 방법이 기존 방법들을 일관되게 능가함을 확인하였으며, 본 방법의 효과성을 입증하였다.