[논문 리뷰] Applications of Recurrent Neural Network for Biometric Authentication & Anomaly Detection

Joseph M. Ackerson, Rushit Dave외 1명|arXiv (Cornell University)|2021. 09. 13.

Anomaly Detection Techniques and Applications참고 문헌 48인용 수 4

한 줄 요약

이 논문은 순환 신경망(RNN), 특히 장기 단기 기억(LSTM)과 딥 리수스 RNN을 이용한 생체 인식, 표정 인식, IoT 및 항공기 시스템에서의 이상 탐지, 항공안전 분야의 응용을 조사한다. RNN이 시간적 패턴 인식을 위한 순차적 데이터 모델링을 크게 향상시키며, 이상 탐지 작업에서 높은 F1 스코어를 기록하고 생체 인식 및 궤적 예측 작업에서 정확도가 향상됨을 보여준다.

ABSTRACT

Recurrent Neural Networks are powerful machine learning frameworks that allow for data to be saved and referenced in a temporal sequence. This opens many new possibilities in fields such as handwriting analysis and speech recognition. This paper seeks to explore current research being conducted on RNNs in four very important areas, being biometric authentication, expression recognition, anomaly detection, and applications to aircraft. This paper reviews the methodologies, purpose, results, and the benefits and drawbacks of each proposed method below. These various methodologies all focus on how they can leverage distinct RNN architectures such as the popular Long Short-Term Memory (LSTM) RNN or a Deep-Residual RNN. This paper also examines which frameworks work best in certain situations, and the advantages and disadvantages of each pro-posed model.

연구 동기 및 목표

• 생체 인식, 표정 인식, 이상 탐지, 항공 응용 분야에서의 현재 RNN 기반 방법론을 분석하는 것.
• 다양한 도메인에서 순차적 데이터를 처리하는 데 있어 LSTM 및 딥 리수스 RNN 아키텍처의 효과성을 평가하는 것.
• 특히 보안 및 안전이 핵심인 시스템에서의 실세계 구현 시나리오에서 RNN 모델의 이점과 한계를 규명하는 것.
• 정확도, 오진율, 실시간 처리 능력 측면에서 전통적 모델과의 비교를 통해 RNN의 성능을 평가하는 것.
• 모델 노이즈 또는 변동 조건 하에서의 강건성 부족한 점을 지적함으로써 향후 연구를 이끌어내는 것.

제안 방법

• 마우스 이동, 타이핑, 필기와 같은 순차적 생체 인식 데이터의 시간적 의존성을 모델링하기 위해 장기 단기 기억(LSTM) RNN을 활용한다.
• 시간 시리즈 센서 데이터에서의 특징 표현 및 이상 탐지 향상을 위해 다중 레이어를 갖춘 스택드 RNN 프레임워크를 적용한다.
• 복잡한 동역학을 모델링하고 수치적 방법 대비 예측 정확도를 향상시키기 위해 항공기 궤적 시뮬레이션에 딥 리수스 RNN을 통합한다.
• LSTM 레이어를 사용한 정서 분류 이전에 얼굴 특징 추출을 위해 RNN과 컨볼루션 신경망(CNNs)을 결합한다.
• IoT 기기의 이상 네트워크 행동 탐지를 위해 순차적 데이터 스트림에서의 이상 탐지 시스템을 RNN 기반으로 설계한다.
• 다양한 데이터셋에서 F1 스코어, 정밀도, 재현율, 실시간 추론 지연 시간 등의 지표를 사용해 모델 성능을 평가한다.

실험 결과

연구 질문

• RQ1 LSTM 및 딥 리수스 RNN은 기존 모델 대비 생체 인식 정확도를 어떻게 향상시키는가?
• RQ2 빛의 세기나 자세 변화 조건에서 RNN은 표정 인식 성능을 얼마나 향상시킬 수 있는가?
• RQ3 IoT 및 항공기 시스템에서 실시간 이상 탐지에 RNN을 구현할 때의 주요 과제는 무엇인가?
• RQ4 RNN 기반 궤적 모델에 항공기 동역학을 통합할 경우 예측 정확도와 강건성에 어떤 영향을 미치는가?
• RQ5 RNN 기반 이상 탐지에서 모델 복잡도, 오진율, 실시간 성능 간의 상충 관계는 어떠한가?

주요 결과

• LSTM 기반 모델은 이상 탐지 작업에서 높은 F1 스코어를 기록하여 정상 행동에서의 이탈을 탐지할 때 정밀도와 재현율의 균형이 잘 맞아떨어짐을 시사한다.
• 딥 리수스 RNN은 복잡한 동역학을 효과적으로 모델링하고 예측 오차를 감소시켜 전통적인 수치적 시뮬레이션 방법에 비해 항공기 궤적 예측에서 뛰어난 성능을 보였다.
• 스택드 RNN 프레임워크는 이상 탐지 능력 향상에 기여했지만, 고차원의 다변수 입력으로 인해 명확한 이상 기준을 설정하는 데 어려움을 겪었다.
• CNN과 통합된 RNN은 순차적 영상 프레임에서의 시간적 동적 특징을 포착함으로써 표정 인식 성능을 크게 향상시켰다.
• UAV 및 IoT 환경에서의 고속 데이터 유입과 지연 제약으로 인해 실시간 이상 탐지에 대한 LSTM RNN의 적용은 가능했지만 도전 과제가 있었다.
• 엔진 센서 데이터의 노이즈와 환경의 변동성으로 인해 오진 탐지 및 탐지 누락 현상이 발생했으며, 이는 RNN 응용에 있어 강건한 사전 처리 및 노이즈 필터링의 필요성을 강조한다.