1 |
1
이상치 탐지 장치에 의해 수행되는 이상치 탐지 방법에 있어서, 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하는 단계; 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는 단계; 및 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하는 단계를 포함하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
2 |
2
제1항에 있어서,상기 학습 데이터는 타겟 이미지 분포에 따른 학습 이미지 데이터이고, 상기 기 학습된 분류 모델은 상기 타겟 이미지 분포에 맞게 기 학습된 이미지 분류 모델인, 노이즈 필터를 이용한 이상치 탐지 방법
|
3 |
3
제1항에 있어서,상기 노이즈 필터를 생성하는 단계는, 상기 기 학습된 분류 모델을 고정하고 상기 생성된 노이즈 필터의 초기값을 0으로 설정하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
4 |
4
제1항에 있어서,상기 노이즈 필터를 생성하는 단계는, 상기 학습 데이터를 상기 기 학습된 분류 모델을 통과시켜 나온 제1 출력값에 온도 스케일링(Temperature scaling)을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
5 |
5
제4항에 있어서,상기 노이즈 필터를 생성하는 단계는, 상기 제1 출력값을 하이퍼파라미터(Hyperparameter)인 온도 값(Temperature, T)으로 나누어 주는 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
6 |
6
제1항에 있어서,상기 생성된 노이즈 필터를 학습하는 단계는, 상기 학습 데이터와 상기 생성된 노이즈 필터를 더해 새로운 학습 데이터를 생성하고, 상기 생성된 새로운 학습 데이터를 상기 기 학습된 분류 모델에 통과시키는, 노이즈 필터를 이용한 이상치 탐지 방법
|
7 |
7
제1항에 있어서,상기 생성된 노이즈 필터를 학습하는 단계는, 상기 출력값이 실제 클래스를 맞추도록 정의한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
8 |
8
제1항에 있어서,상기 손실 함수는, 크로스-엔트로피(Cross-Entropy) 손실 함수로 정의되는, 노이즈 필터를 이용한 이상치 탐지 방법
|
9 |
9
제4항에 있어서,상기 신규 데이터에 대한 이상치 여부를 탐지하는 단계는, 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값에 상기 제1 출력값에 적용한 온도 스케일링과 같은 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
10 |
10
제1항에 있어서, 상기 신규 데이터에 대한 이상치 여부를 탐지하는 단계는, 상기 제2 출력값의 소프트맥스 스코어(Softmax score)가 기설정된 수치 이하인 경우를 이상치로 탐지하는, 노이즈 필터를 이용한 이상치 탐지 방법
|
11 |
11
하나 이상의 프로그램을 저장하는 메모리; 및 상기 저장된 하나 이상의 프로그램을 실행하는 프로세서를 포함하고, 상기 프로세서는, 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하고, 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하고, 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
12 |
12
제11항에 있어서,상기 학습 데이터는 타겟 이미지 분포에 따른 학습 이미지 데이터이고, 상기 기 학습된 분류 모델은 상기 타겟 이미지 분포에 맞게 기 학습된 이미지 분류 모델인, 노이즈 필터를 이용한 이상치 탐지 장치
|
13 |
13
제11항에 있어서,상기 프로세서는, 상기 기 학습된 분류 모델을 고정하고 상기 생성된 노이즈 필터의 초기값을 0으로 설정하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
14 |
14
제11항에 있어서,상기 프로세서는, 상기 학습 데이터를 상기 기 학습된 분류 모델을 통과시켜 나온 제1 출력값에 온도 스케일링(Temperature scaling)을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
15 |
15
제14항에 있어서,상기 프로세서는, 상기 제1 출력값을 하이퍼파라미터(Hyperparameter)인 온도 값(Temperature, T)으로 나누어 주는 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
16 |
16
제11항에 있어서,상기 프로세서는, 상기 학습 데이터와 상기 생성된 노이즈 필터를 더해 새로운 학습 데이터를 생성하고, 상기 생성된 새로운 학습 데이터를 상기 기 학습된 분류 모델에 통과시키는, 노이즈 필터를 이용한 이상치 탐지 장치
|
17 |
17
제11항에 있어서,상기 프로세서는, 상기 출력값이 실제 클래스를 맞추도록 정의한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
18 |
18
제11항에 있어서,상기 손실 함수는, 크로스-엔트로피(Cross-Entropy) 손실 함수로 정의되는, 노이즈 필터를 이용한 이상치 탐지 장치
|
19 |
19
제14항에 있어서,상기 프로세서는, 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값에 상기 제1 출력값에 적용한 온도 스케일링과 같은 온도 스케일링을 적용하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
20 |
20
제11항에 있어서, 상기 프로세서는, 상기 제2 출력값의 소프트맥스 스코어(Softmax score)가 기설정된 수치 이하인 경우를 이상치로 탐지하는, 노이즈 필터를 이용한 이상치 탐지 장치
|
21 |
21
프로세서에 의해 실행될 때, 상기 프로세서로 하여금 방법을 실행하게 하는 명령어들을 저장하기 위한 비일시적 컴퓨터 판독가능 저장 매체로서, 상기 방법은: 타겟 분포에 따른 학습 데이터와 타겟 분포에 맞게 기 학습된 분류 모델을 이용하여 노이즈 필터를 생성하는 단계; 상기 생성된 노이즈 필터를 거친 상기 학습 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제1 출력값에 대한 손실 함수가 감소하도록 상기 생성된 노이즈 필터를 학습하는 단계; 및 상기 학습된 노이즈 필터를 거친 신규 데이터를 상기 기 학습된 분류 모델에 통과시켜 나온 제2 출력값을 이용하여 상기 신규 데이터에 대한 이상치(Out-of-distribution, OOD) 여부를 탐지하는 단계를 포함하는, 비일시적 컴퓨터 판독 가능한 저장 매체
|