다변량 시계열 환경의 산업 정보 시스템에서 해석 가능한 비지도 기계학습을 통한 이상 탐지 개선 방법

Q: 이 논문에서 정의한 시계열 이상 탐지란 무엇인가?

시계열 이상 탐지란 시간에 따라 관측된 데이터에서 이상치를 찾아내는 기술로, 변화하는 작업 환경에 대한 시계열 간 상관관계를 고려하여 미래의 예기치 않은 동작을 감지하는 분야이다. 이는 안전, 보안, 재무, 의료 등 다양한 분야에서 중요성이 커지고 있다.

Q: Encoded-IF가 기존 Isolation Forest의 단점을 어떻게 개선하는가?

따라서, Encoded-IF는 Auto-Encoder를 활용하여 시계열 데이터의 Group anomalies 정보를 사전에 처리한다. 이는 기존 Isolation Forest가 개별 속성의 독립성을 가정하여 Group anomalies 탐지에 취약했던 단점을 보완하며, 데이터 차원 간 비선형적인 상관관계를 효과적으로 학습하여 탐지 성능을 향상시킨다.

전장군; 김남기

doi:10.5302/J.ICROS.2024.23.0200

추천

검색

질문

자료유형: 학술저널

저자정보: 전장군 (경기대학교 대학원) 김남기 (경기대학교)

저널정보: 제어로봇시스템학회 제어로봇시스템학회 논문지 제어로봇시스템학회 논문지 제30권 제3호

발행연도: 2024.3

수록면: 245 - 252 (8page)

DOI: 10.5302/J.ICROS.2024.23.0200

이용수

📌

연구주제

📖

연구배경

🔬

연구방법: 이 논문의 연구방법이 궁금하신가요?

🏆

연구결과: 이 논문의 연구결과가 궁금하신가요?

초록· 키워드

Time series anomaly detection is a technology that finds outliers in observed data over time, and is a significant research field associated with many applications or platforms. In this paper, we propose a method called Encoded-IF, a new and improved version of the isolation forest (IF) machine learning algorithm using Auto-Encoder to detect time series anomalies. Encoded-IF is a non-parametric and unsupervised method for detecting anomalies in time series data. It efficiently detects anomalies in each dimension of high-dimensional data and quickly learns nonlinear correlations between dimensions. Experiments were conducted on four publicly available time series data sets to evaluate the performance of the proposed method. The results improvement in performance of up to 4%.

#monitoring #Time series #Anomaly Detection #unsupervised learning #Autoencoder #model interpretability

참고문헌

참고문헌 신청

최근 본 자료

전체보기

UCI(KEPA) : I410-151-24-02-089466011

배경 및 목적
대상 및 방법론
분석 및 수행
결과 및 의의

구분	그룹	데이터 항목
AI 학습용 데이터	원문	원문 PDF 파일
AI 학습용 데이터	원문 + 메타 (기본/상세)	원문 PDF 파일 및 서지정보 CSV
대량 구매용 데이터	B2B 구독 방식	특정 자료 한정으로 원문 접근 권한 부여
대량 구매용 데이터	URL 전달 방식	바로 PDF 뷰어를 열람할 수 있는 URL 제공

구분	그룹	데이터 항목
AI 학습용 데이터	기본 메타	발행기관명, 간행물명, 권호명, 권(vol), 호(issue), 통권, 발행연도, 발행월, 논문명, 저자명, 시작페이지, 종료페이지, 전체페이지, 상세페이지URL
상세 메타 데이터	발행기관 메타	발행기관 이명, 영문명, 창립연도, 홈페이지URL, 발행기관 소개
	간행물 메타	부제목, 간행물 유형, ISSN, ISBN, 최초발행연도, 폐간연도, 간행빈도, 발행주기, 등재사항, 이용수, 피인용수, 권호수, 논문수, 표지이미지
	논문 메타	작성 언어, 부제목, 대등제목, 목차, 키워드, 초록, 이미지, 참고문헌, 이용수, 피인용수, 논문활용도, DBpia통합주제분류, KDC분류, DDC분류, 한국연구재단분류, UCI, DOI
	저자 메타	소속기관, 소속부서, 직급, 연구분야, 연구키워드, 이용수, 피인용수, 저자 논문활용도

구분	그룹	데이터 항목
※ 결합형/맞춤형 메타 데이터는 신청 내용에 따라 다양하게 제공 가능
이용순위 정보	주제분야별 많이 이용된 논문	“인문학”에서 많이 이용된 논문 TOP100
	이용기관별 많이 이용된 논문	“중고등학교”에서 많이 이용된 논문 TOP100
	세부기관별 많이 이용된 논문	“서울대학교”에서 많이 이용된 논문 TOP100
	키워드별 많이 이용된 논문	“Chat GPT”에서 많이 이용된 논문 TOP100
키워드 정보	많이 이용된 키워드	특정기간/분야/저널 내 많이 이용된 키워드
	많이 발행된 키워드	특정기간/분야/저널 내 많이 발행된 키워드
	많이 검색된 키워드	특정기간/분야/저널 내 많이 검색된 키워드
	연구 트렌드 키워드	특정 키워드 연관 연구동향 분석 데이터 키워드

논문 기본 정보

초록· 키워드

AI가 분석한 연구 핵심

이 논문의 한줄 요약

이 논문의 연구방법

목차

참고문헌

함께 읽어보면 좋을 논문

이 논문의 저자 정보

이 논문과 함께 이용한 논문

최근 본 자료

댓글(0)