• 단어

ABSTRACT

• Concept drift
• Anomaly Detection

1. 문제 : Concept drift. 비정상 행동의 drift 보다 정상일 때 더 영향 받음.
2. 기존 연구 : 비정상 행동의 concept drift 에 초점 두고, anomaly detection 은 거의 다루지 않고 있다.

⇒ 정상성 전환 탐지, 설명, 적용하기 위한 프레임워크 OWAD 제안.

• OWAD
  • 비지도 방식
  • 수동 라벨링 오버헤드 줄임
  • 실험 통해 성능 입증.

1. INTRODUCTION

• Anomaly detection = 정상 데이터로 학습해서 정상 분포 벗어난 이상 행위 탐지.

  ⇒ 지금까지 연구 결과 좋았으나, 단점은 train/test sample 이 독립적이고 동일하게 분산 되어 있다는 가정 하에 성능 좋음.

  ⇒ Open World에서는 적용되지 않는다.

  지금까지 제시된 해결 방안 2가지

  1. 동적 환경에서 주기적으로 모델 재훈련 → 노동력 너무 많이 든다, 모델 업데이트 시기 결정하기 어렵다.
  2. drift 파악 후에 이를 적용. → 적용보다 탐지에 초점 맞추기 떄문에 라벨링 오버헤드가 높다. 전 연구들의 접근 방식은 drift 일반화와 맞지 않다.

• Challenges + Our Work

  1. 비지도 방식으로 탐지

  : 모델 출력 = 비지도방식 + 가설 테스트 통해 통계적으로 이동 탐지

  1. 라벨링 오버헤드 줄이고 효과적으로 샘플 선택하기

  : 가장 적은 수의 drift sample 찾는 최적화 문제 구성 → 가장 영향력 있는 sample에만 라벨 지정.

  1. 모델 업데이트해도 예전 지식 안 잊고 새로운 분포로 일반화하기

  : 모델 파라미터에 다양한 중요도 가중치 할당. + shift adaption 시, 중요한 파라미터 업데이트 제한.