[논문 리뷰] Coupled IGMM-GANs for deep multimodal anomaly detection in human mobility data

Kathryn Gray, Daniel Smolyak외 2명|arXiv (Cornell University)|2018. 09. 07.

Anomaly Detection Techniques and Applications인용 수 15

한 줄 요약

이 논문은 인프리니트 가우시안 믹스처 모델(IGMM)과 이중성 생성 대비 신경망(BiGAN)을 결합한 새로운 딥 생성 모델인 IGMM-GAN을 제안한다. 이 모델은 인간 이동 데이터에서 다중모달 이상 탐지 기능을 가능하게 하며, 이중성 생성기와 인코더를 통해 다중모달 잠재 공간을 학습하고, IGMM를 통해 다중모달 마할라노비스 거리 측도를 적용함으로써 기존 GAN 기반 접근법에 비해 실제 궤적 데이터셋과 MNIST에서 뛰어난 이상 탐지 성능을 달성한다. 또한 벤치마킹을 위한 현실적인 합성 이동 데이터도 생성한다.

ABSTRACT

Detecting anomalous activity in human mobility data has a number of applications including road hazard sensing, telematic based insurance, and fraud detection in taxi services and ride sharing. In this paper we address two challenges that arise in the study of anomalous human trajectories: 1) a lack of ground truth data on what defines an anomaly and 2) the dependence of existing methods on significant pre-processing and feature engineering. While generative adversarial networks seem like a natural fit for addressing these challenges, we find that existing GAN based anomaly detection algorithms perform poorly due to their inability to handle multimodal patterns. For this purpose we introduce an infinite Gaussian mixture model coupled with (bi-directional) generative adversarial networks, IGMM-GAN, that is able to generate synthetic, yet realistic, human mobility data and simultaneously facilitates multimodal anomaly detection. Through estimation of a generative probability density on the space of human trajectories, we are able to generate realistic synthetic datasets that can be used to benchmark existing anomaly detection methods. The estimated multimodal density also allows for a natural definition of outlier that we use for detecting anomalous trajectories. We illustrate our methodology and its improvement over existing GAN anomaly detection on several human mobility datasets, along with MNIST.

연구 동기 및 목표

• 인간 이동 데이터의 이상 탐지에서 지표가 부족한 문제를 해결하기 위해.
• 기존 GAN 기반 방법이 다중모달 궤적 패턴을 다루는 데에 한계를 가진 문제를 극복하기 위해.
• 실제로 현실적인 이동 데이터를 생성하고 동시에 종단 간 이상 탐지 기능을 수행할 수 있는 딥 생성 모델을 개발하기 위해.
• 이상 탐지 알고리즘 평가를 위한 벤치마킹 가능한 합성 데이터셋을 제공하기 위해.
• 경로 기반 이상 탐지 외에도 비정상 속도나 급작스러운 가속도 변화와 같은 이국적인 운전 행동까지 탐지하기 위해.

제안 방법

• 모델은 임의의 노이즈를 합성 궤적으로 매핑하는 생성기와 실제 궤적을 잠재 공간에 통합하는 인코더를 갖춘 이중성 GAN(BiGAN)을 사용한다.
• 잠재 공간 표현은 정규 이동 패턴의 다중모달 분포를 포착하기 위해 인프리니트 가우시안 믹스처 모델(IGMM)을 사용하여 모델링된다.
• 이중성 공간의 다중모달 분포를 고려한 마할라노비스 거리 측도를 기반으로 이상을 탐지한다.
• 생성기는 공간 좌표(위도, 경도)와 그 시간 도함수(속도)를 모두 기반으로 훈련되어 생성된 궤적의 시간적 일관성을 향상시킨다.
• 모델은 실제 궤적과 생성된 궤적 간의 생성 대비 손실을 통해 공동으로 훈련되며, 인코더는 잠재 공간에서의 재구성 오차를 최소화하도록 한다.
• 이상 점수는 각 테스트 궤적의 잠재 표현이 IGMM 구성요소에서 떨어진 마할라노비스 거리 기반으로 계산되며, 높은 점수는 더 큰 이탈을 의미한다.

실험 결과

연구 질문

• RQ1 특징 공학의 광범위한 활용 없이도 GAN 기반 모델이 인간 이동 데이터에서 이상을 효과적으로 탐지할 수 있는가?
• RQ2 무한 가우시안 믹스처 모델을 통합함으로써 궤적 데이터의 잠재 공간에서 다중모달 이상 탐지 성능이 어떻게 향상되는가?
• RQ3 제안된 IGMM-GAN이 현실적이며 이상 탐지 알고리즘 평가에 유용한 합성 인간 이동 궤적을 생성할 수 있는가?
• RQ4 실제 궤적 데이터셋에서 최신 기술의 GAN 기반 이상 탐지 방법과 비교해 IGMM-GAN의 성능은 어떠한가?
• RQ5 모델은 경로 이상 외에도 비정상 속도나 급작스러운 가속도 변화와 같은 이국적인 운전 행동까지 탐지할 수 있는가?

주요 결과

• IGMM-GAN은 GeoLife 데이터셋의 9명의 별도 테스트 운전자에 대해 GANomaly와 EGBAD에 비해 일관되게 높은 AUC 점수를 기록했으며, 9개 중 6개의 케이스에서 최고의 AUC 기록을 달성했다.
• Cabspotting 데이터셋에서 GPS 노이즈를 성공적으로 탐지하여 훈련 이전에 제거할 수 있었으며, 이로 인해 후속 성능 향상이 이루어졌다.
• 생성된 합성 궤적은 공간 패턴과 속도 역학에서 실제 궤적과 유사했으며, 실제로 현실적인 장거리 직선 세그먼트, 곡선, 자연스러운 속도 변화를 보였다.
• 모델은 불필요한 회피 경로나 주요 도로 사용을 하지 않는 경로 이상을 탐지했으며, 도시 지역에서 고속도로 속도로 주행하는 것과 같은 속도 이상도 탐지했다.
• 갑작스러운 속도 증가 또는 감소와 같은 이국적인 가속도 패턴도 탐지하여 비정상적인 운전 행동을 식별했다.
• 훈련 데이터에 포함되지 않은 숨겨진 운전자까지도 탐지하는 데에 강건성을 보이며, 새로운 클래스로의 일반화 능력을 입증했다.