이상 탐지의 분류(Classification of Anomaly Detection)

이상 탐지$Anomaly Detection$는 정상인 데이터$Normal Sample Data$들 사이에서 비정상인 데이터$Abnormal Sample Data$를 탐지하는 연구 분야를 말합니다. 이상 탐지는 교통 분야$Illegal Traffic Flow Detection$, 의료 분야$Detecting Retinal Damage$, 통신 분야$Cyber-Network Intrusion Detection$, IoT 분야$Internet of Things Big - Data Anomaly Detection$에서 활발하게 쓰이고 있습니다. 이상치$Abnormal Sample$는 그 시스템의 이상 현상에 대한 정보를 제공해주기 때문에 이상치를 탐지하고 이를 분석하는 것은 중요한 문제라고 할 수 있습니다[1].

---

이상 탐지는 데이터 라벨을 제공해주느냐에 따라 Supervised, Semi-Supervised, Un-Supervised로 나눌 수 있습니다. 이번글에서는 각각의 방식을 정의하고 간단한 특징에 대해 알아보겠습니다[1].

1. Supervised Anomaly Detection

  Supervised Anomaly Detection은 데이터 샘플이 정상인지 비정상인지에 대한 라벨을 제공해주는 방식을 말합니다. 각 데이터 샘플이 정상인지 아닌지에 대한 정보를 학습하므로 Un-Supervised, Semi-Supervised 방식보다 정확도가 높은 것이 특징입니다. 하지만 반대로 말하면, 모든 데이터 샘플에 대해 라벨이 필요하므로$데이터 샘플에 대한 라벨을 지정하는 것이 비용이 많이 들고, 정답 라벨의 클래스가 여러 개인 경우 정상인지 비정상인지에 대한 결정이 불가능할 수도 있음$ 대부분의 방식에서 쓰일 수 없다는 특징을 가지고 있습니다.

2. Semi-Supervised Anomaly Detection

Semi-Supervised Anomaly Detection은 데이터 샘플들을 하나의 클래스로 분류한 후 그 클래스에 대한 경계$Boundary$를 만들어 경계 밖의 데이터 샘플에 대해서는 비정상으로 분류하는 방식을 말합니다. 대표적인 모델로 Deep Support Vector Data Description $Deep SVDD$[2]가 있습니다. 

Figure From [2].

위 논문에서는 Semi-Supervised 방식 중 하나인 SVDD$Support Vector Data Description$를 신경망을 이용해서 구현하였습니다. SVDD에서는 데이터를 구분하는 결정경계를 초구$Hyper-Sphere$를 이용해 만들게 됩니다. SVDD에서는 초구를 만들기 위해 커널$Kernel$을 이용해서 높은 차원으로 매핑$Mapping$시키게 되는데, 위 논문에서 제안한 Deep SVDD는 신경망을 이용해 커널을 구현하였습니다.

 3. Un-Supervised Anomaly Detection

Un-Supervised Anomaly Detection은 데이터 샘플에 대한 클래스를 따로 지정하지 않는 경우를 말합니다. 대표적인 모델로 Auto-Encoder가 있습니다. 

Figure From [3].

 위 논문에서는 AnoGAN이 높은 해상도를 가지는 brain MR image의 UAD$Un-Supervised Anomaly Detection$ Task에서 수용력이 부족하다는 점을 보완하기 위해 spatial VAE모델을 사용하였습니다. 위 논문에서 제안된 모델처럼 정상 데이터를 입력으로 넣고 정상 데이터를 재건$Reconstruction$하도록 학습시키면 비정상 데이터를 넣었을 때 출력 값이 정상 데이터를 입력으로 했을 때와는 다를 것 입니다. 그것을 이용해 Anomaly Detection Task를 수행하게 됩니다.

[참고 문헌]

[1] CHALAPATHY, Raghavendra; CHAWLA, Sanjay. Deep learning for anomaly detection: A survey. arXiv preprint arXiv:1901.03407, 2019.

[2] RUFF, Lukas, et al. Deep one-class classification. In: International conference on machine learning. PMLR, 2018. p. 4393-4402.

[3] BAUR, Christoph, et al. Deep autoencoding models for unsupervised anomaly segmentation in brain MR images. In: International MICCAI Brainlesion Workshop. Springer, Cham, 2018. p. 161-169.