[논문 리뷰] Estimation of Dimensions Contributing to Detected Anomalies with Variational Autoencoders

Yasuhiro Ikeda, Kengo Tajiri외 3명|arXiv (Cornell University)|2018. 11. 12.

Anomaly Detection Techniques and Applications참고 문헌 24인용 수 9

한 줄 요약

이 논문은 정상적인 잠재 분포를 모델링하고 로그우도를 최대화함으로써 탐지된 이상 현상에 기여하는 입력 차원을 추정하기 위해 변분 오토에인드어(변분 오토에인드어, VAEs)를 사용하는 새로운 방법을 제안한다. 이 방법은 레이블이 부여된 이상 데이터가 없더라도 해석 가능한 이상 탐지가 가능하며, 기존의 기준보다 우수한 성능을 보인다.

ABSTRACT

Anomaly detection using dimensionality reduction has been an essential technique for monitoring multidimensional data. Although deep learning-based methods have been well studied for their remarkable detection performance, their interpretability is still a problem. In this paper, we propose a novel algorithm for estimating the dimensions contributing to the detected anomalies by using variational autoencoders (VAEs). Our algorithm is based on an approximative probabilistic model that considers the existence of anomalies in the data, and by maximizing the log-likelihood, we estimate which dimensions contribute to determining data as an anomaly. The experiments results with benchmark datasets show that our algorithm extracts the contributing dimensions more accurately than baseline methods.

연구 동기 및 목표

• 딥 러닝 기반 이상 탐지에서 해석 가능성의 부족을 해결하기 위해, 특히 이상 탐지에 기여하는 입력 차원을 특정하는 것을 목적으로 한다.
• 레이블이 부여된 이상 데이터가 필요 없이 기여하는 차원을 추정할 수 있는 방법을 개발하여 반감독 해석 가능성을 실현한다.
• 재구성 오차나 희박성 가정에 의존하는 기존 방법들은 비희박한 이상 상황에서는 기여도를 잘못 추정할 수 있으므로, 이를 개선하고자 한다.
• 레이블이 없는 상황에서도 기여도 정도를 분석함으로써 이상 유형을 식별할 수 있도록 한다.

제안 방법

• 학습된 VAE를 사용하여 정상 데이터의 잠재 분포를 모델링하며, 기여하는 차원을 조정하면 이상 데이터가 정상적으로 보일 것이라 가정한다.
• 기여할 수 있는 차원의 값을 잠재 공간 내에서 타당한 정상 값으로 고정하는 근사적 확률 모델을 도입한다.
• 이 수정된 잠재 분포 하에서 재구성된 데이터의 로그우도를 최대화함으로써 각 차원의 기여도를 추정한다.
• VAE의 확률적 성격을 활용하여, 이상 상황에서 각 차원이 정상에서 얼마나 벗어나는지를 반영하는 우도를 계산한다.
• 반감독 설정에서 적용되며, 학습에는 정상 데이터만 사용하고, 탐지된 이상에 대해 기여도를 추정한다.

실험 결과

연구 질문

• RQ1 재구성 오차나 희박성 가정에 의존하지 않고도, VAE에 의해 탐지된 이상에 기여하는 입력 차원을 정확히 추정할 수 있는가?
• RQ2 기본 기준 방법과 비교하여 제안된 로그우도 기반 기여도 추정 방법이 벤치마크 데이터셋에서 얼마나 잘 성능을 내는가?
• RQ3 실제 의료 데이터(예: 심전도 심부전)에서 추정된 기여하는 차원이 임상적으로 의미 있는 특징과 일치하는가?
• RQ4 이 방법은 레이블이 없는 이상 유형을 고려하여 기여도 패턴을 분석함으로써 반감독적 이상 해석이 가능한가?

주요 결과

• 기본 기준 방법과 비교해 빅데이터 벤치마크에서 제안된 방법은 실제 이상 원인과의 일치도 측면에서 더 정확하게 기여하는 차원을 추출하였다.
• 심전도 심부전 데이터에서 추정된 기여하는 차원은 알려진 임상적 특징과 일치하였다: 좌 브런치 블록에서는 QRS 길이 증가, 우 브런치 블록에서는 R’ 파형 진폭 증가, 전벽 심근경색에서는 QRS 형태 변화.
• 증상이 매우 다양한 2형 질환의 경우 일관된 기여 패tern이 발견되지 않았으며, 이는 임상적으로 질환의 변동성이 높다는 점과 일치한다.
• 기여도 정도의 t-SNE 시각화 결과 이상 유형별로 군집이 형성되었으며, 이는 방법이 이상 공간 내 의미 있는 구조를 포착하고 있음을 시사한다.
• 레이블이 부여된 이상 데이터를 사용하지 않더라도, 임상적으로 관련성이 있는 심전도 특징(예: ST/T 파형 이동, 내재적 R’ 파형)이 상위 기여 차원으로 식별되었다.