| 1 |
1
입력되는 정상 데이터에서 잠재 특징 벡터(latent feature vector)를 추출하도록 학습되는 제1 인공 신경망 모델을 구비하는 특징 추출 모듈;상기 잠재 특징 벡터들에 대해 군집화를 수행하고, 군집된 각 클러스터에 대해 의사 라벨(pseudo label)을 부여하도록 학습되는 제2 인공 신경망 모델을 구비하는 라벨링 모듈; 및입력되는 정상 데이터에 대해 상기 의사 라벨에 기반하여 분류를 수행하도록 학습되는 제3 인공 신경망 모델을 구비하는 분류 모듈을 포함하고, 상기 라벨링 모듈은, 상기 잠재 특징 벡터들에 대해 1차 클러스터링을 수행하여 초기 군집화하고, 군집의 변화가 없는 경우 상기 1차 클러스터링 된 잠재 특징 벡터들을 대상으로 2차 클러스터링을 수행하며, 상기 2차 클러스터링 된 각 클러스터에 대해 의사 라벨을 부여하고, 상기 제2 인공 신경망 모델은, 상기 2차 클러스터링을 위한 인공 신경망 모델이며,상기 라벨링 모듈은,상기 각 잠재 특징 벡터와 상기 1차 클러스터링 된 군집들의 중심 간의 유사도를 산출하고, 상기 산출된 유사도에 대한 확률 분포가 기 설정된 목적 확률 분포에 일치하도록 상기 제2 인공 신경망 모델을 학습시키며,상기 유사도는, 각 잠재 특징 벡터가 상기 1차 클러스터링 된 군집들 중 특정 군집에 할당될 확률이고,상기 목적 확률 분포는, 상기 잠재 특징 벡터들의 클러스터 간 경계가 명확하도록 하고 기 설정된 신뢰도를 갖도록 하기 위한 확률 분포인, 이상 탐지 장치
|
| 2 |
2
청구항 1에 있어서, 상기 제1 인공 신경망 모델은, 입력되는 정상 데이터에서 잠재 특징 벡터를 추출하는 인코더; 및상기 인코더에서 출력되는 잠재 특징 벡터에 기반하여 상기 정상 데이터를 복원하는 디코더를 포함하는, 이상 탐지 장치
|
| 3 |
3
청구항 2에 있어서, 상기 제1 인공 신경망 모델은, 상기 디코더에서 복원된 정상 데이터와 상기 인코더로 입력된 정상 데이터 간의 차이가 최소화 되도록 학습되고, 상기 제1 인공 신경망 모델의 학습이 완료된 경우, 상기 인코더에서 출력되는 잠재 특징 벡터는 상기 라벨링 모듈로 입력되는, 이상 탐지 장치
|
| 4 |
4
삭제
|
| 5 |
5
청구항 1에 있어서, 상기 라벨링 모듈은, K-means 알고리즘을 이용하여 상기 잠재 특징 벡터들에 대해 1차 클러스터링을 수행하는, 이상 탐지 장치
|
| 6 |
6
삭제
|
| 7 |
7
청구항 1에 있어서, 상기 라벨링 모듈은, 상기 2차 클러스터링 된 각 클러스터들을 상기 정상 데이터의 잠재적 클래스(latent class)로 설정하여 각 클러스터에 대해 의사 라벨을 부여하는, 이상 탐지 장치
|
| 8 |
8
청구항 1에 있어서, 상기 제3 인공 신경망 모델은, 입력되는 정상 데이터에서 특징을 추출하도록 마련되는 분류기; 및상기 분류기에서 출력되는 특징에 기반하여 상기 정상 데이터에 대한 분류 값을 출력하는 소프트맥스 층을 포함하는, 이상 탐지 장치
|
| 9 |
9
청구항 8에 있어서, 상기 분류 모듈은, 상기 소프트맥스 층에서 출력되는 분류 값과 상기 분류기로 입력된 정상 데이터에 대해 부여된 의사 라벨이 일치되도록 상기 제3 인공 신경망 모델을 학습시키는, 이상 탐지 장치
|
| 10 |
10
청구항 9에 있어서, 상기 분류 모듈은, 기 학습된 상기 제3 인공 신경망 모델로 테스트 데이터를 입력하여 상기 테스트 데이터가 정상 데이터인지 비정상 데이터인지를 분류하되, 상기 분류기에서 출력되는 값에 하기 수학식에 의한 온도 스케일링(Temperature Scaling)을 수행하여 상기 소프트맥스 층의 분류 값을 산출하는, 이상 탐지 장치
|
| 11 |
11
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서, 입력되는 정상 데이터에서 잠재 특징 벡터(latent feature vector)를 추출하도록 제1 인공 신경망 모델을 학습시키는 단계;상기 잠재 특징 벡터들에 대해 군집화를 수행하고, 군집된 각 클러스터에 대해 의사 라벨(pseudo label)을 부여하도록 제2 인공 신경망 모델을 학습시키는 단계; 및입력되는 정상 데이터에 대해 상기 의사 라벨에 기반하여 분류를 수행하도록 제3 인공 신경망 모델을 학습시키는 단계를 포함하고, 상기 제2 인공 신경망 모델을 학습시키는 단계는,상기 잠재 특징 벡터들에 대해 1차 클러스터링을 수행하여 초기 군집화하는 단계;군집의 변화가 없는 경우, 상기 1차 클러스터링 된 잠재 특징 벡터들을 대상으로 2차 클러스터링을 수행하는 단계; 및상기 2차 클러스터링 된 각 클러스터에 대해 의사 라벨을 부여하는 단계를 포함하며, 상기 제2 인공 신경망 모델을 학습시키는 단계는,상기 각 잠재 특징 벡터와 상기 1차 클러스터링 된 군집들의 중심 간의 유사도를 산출하는 단계; 및상기 산출된 유사도에 대한 확률 분포가 기 설정된 목적 확률 분포에 일치하도록 상기 제2 인공 신경망 모델을 학습시키는 단계를 더 포함하며, 상기 유사도는, 각 잠재 특징 벡터가 상기 1차 클러스터링 된 군집들 중 특정 군집에 할당될 확률이고,상기 목적 확률 분포는, 상기 잠재 특징 벡터들의 클러스터 간 경계가 명확하도록 하고 기 설정된 신뢰도를 갖도록 하기 위한 확률 분포인, 이상 탐지 방법
|
| 12 |
12
청구항 11에 있어서, 상기 제1 인공 신경망 모델은, 입력되는 정상 데이터에서 잠재 특징 벡터를 추출하는 인코더; 및상기 인코더에서 출력되는 잠재 특징 벡터에 기반하여 상기 정상 데이터를 복원하는 디코더를 포함하는, 이상 탐지 방법
|
| 13 |
13
청구항 12에 있어서, 상기 제1 인공 신경망 모델은, 상기 디코더에서 복원된 정상 데이터와 상기 인코더로 입력된 정상 데이터 간의 차이가 최소화 되도록 학습되고, 상기 제1 인공 신경망 모델의 학습이 완료된 경우, 상기 인코더에서 출력되는 잠재 특징 벡터들이 상기 군집화에 사용되는, 이상 탐지 방법
|
| 14 |
14
삭제
|
| 15 |
15
삭제
|
| 16 |
16
청구항 11에 있어서, 상기 의사 라벨을 부여하는 단계는, 상기 2차 클러스터링 된 각 클러스터들을 상기 정상 데이터의 잠재적 클래스(latent class)로 설정하여 각 클러스터에 대해 의사 라벨을 부여하는, 이상 탐지 방법
|
| 17 |
17
청구항 11에 있어서, 상기 제3 인공 신경망 모델은, 입력되는 정상 데이터에서 특징을 추출하도록 마련되는 분류기; 및상기 분류기에서 출력되는 특징에 기반하여 상기 정상 데이터에 대한 분류 값을 출력하는 소프트맥스 층을 포함하는, 이상 탐지 방법
|
| 18 |
18
청구항 17에 있어서, 상기 제3 인공 신경망 모델은, 상기 소프트맥스 층에서 출력되는 분류 값과 상기 분류기로 입력된 정상 데이터에 대해 부여된 의사 라벨이 일치되도록 학습되는, 이상 탐지 방법
|
| 19 |
19
청구항 18에 있어서, 상기 이상 탐지 방법은, 기 학습된 상기 제3 인공 신경망 모델로 테스트 데이터를 입력하여 상기 테스트 데이터가 정상 데이터인지 비정상 데이터인지를 분류하는 단계를 더 포함하고, 상기 분류하는 단계는, 상기 분류기에서 출력되는 값에 하기 수학식에 의한 온도 스케일링(Temperature Scaling)을 수행하여 상기 소프트맥스층의 분류 값을 산출하는 단계를 포함하는, 이상 탐지 방법
|
| 20 |
20
비일시적 컴퓨터 판독 가능한 저장 매체(non-transitory computer readable storage medium)에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 명령어들을 포함하고, 상기 명령어들은 하나 이상의 프로세서들을 갖는 컴퓨팅 장치에 의해 실행될 때, 상기 컴퓨팅 장치로 하여금, 입력되는 정상 데이터에서 잠재 특징 벡터(latent feature vector)를 추출하도록 제1 인공 신경망 모델을 학습시키고,상기 잠재 특징 벡터들에 대해 군집화를 수행하고, 군집된 각 클러스터에 대해 의사 라벨(pseudo label)을 부여하도록 제2 인공 신경망 모델을 학습시키며,입력되는 정상 데이터에 대해 상기 의사 라벨에 기반하여 분류를 수행하도록 제3 인공 신경망 모델을 학습시키도록 하고, 상기 제2 인공 신경망 모델을 학습시키는 것은,상기 잠재 특징 벡터들에 대해 1차 클러스터링을 수행하여 초기 군집화하고;군집의 변화가 없는 경우, 상기 1차 클러스터링 된 잠재 특징 벡터들을 대상으로 2차 클러스터링을 수행하도록 하되, 상기 각 잠재 특징 벡터와 상기 1차 클러스터링 된 군집들의 중심 간의 유사도를 산출하고, 상기 산출된 유사도에 대한 확률 분포가 기 설정된 목적 확률 분포에 일치하도록 상기 제2 인공 신경망 모델을 학습시키며,상기 2차 클러스터링 된 각 클러스터에 대해 의사 라벨을 부여하도록 하고,상기 유사도는, 각 잠재 특징 벡터가 상기 1차 클러스터링 된 군집들 중 특정 군집에 할당될 확률이고,상기 목적 확률 분포는, 상기 잠재 특징 벡터들의 클러스터 간 경계가 명확하도록 하고 기 설정된 신뢰도를 갖도록 하기 위한 확률 분포인, 비일시적 컴퓨터 판독 가능한 저장 매체에 저장된 컴퓨터 프로그램
|
