[논문 리뷰] Anomaly Detection and Removal Using Non-Stationary Gaussian Processes

Steven Reece, Roman Garnett외 2명|arXiv (Cornell University)|2015. 07. 02.

Gaussian Processes and Bayesian Inference참고 문헌 10인용 수 13

한 줄 요약

이 논문은 물리적 신호와 고장 과정을 별도로 모델링함으로써 시간 시리즈 데이터에서 드리프트 및 바이어스 고장을 포함한 이상 현상을 탐지하고 제거하기 위해 새로운 마르코프 영역 연결(MRL) 커널을 사용하는 비정상 가우시안 프로세스 프레임워크를 제안한다. 이 방법은 고장 경계에서 연속적인 함수와 도함수를 보장하여 아티팩트가 없는 에이전트 신호를 정확하게 복원하고 센서 드리프트를 높은 정확도로 보정한다.

ABSTRACT

This paper proposes a novel Gaussian process approach to fault removal in time-series data. Fault removal does not delete the faulty signal data but, instead, massages the fault from the data. We assume that only one fault occurs at any one time and model the signal by two separate non-parametric Gaussian process models for both the physical phenomenon and the fault. In order to facilitate fault removal we introduce the Markov Region Link kernel for handling non-stationary Gaussian processes. This kernel is piece-wise stationary but guarantees that functions generated by it and their derivatives (when required) are everywhere continuous. We apply this kernel to the removal of drift and bias errors in faulty sensor data and also to the recovery of EOG artifact corrupted EEG signals.

연구 동기 및 목표

• 원시 측정값을 기각하지 않고도 일시적인 고장을 탐지하고 제거하는 데 도전하는 것.
• 진정한 물리적 신호와 고장 과정을 각각 별도의 비모수적 가우시안 프로세스로 모델링하는 것.
• 고장 발생 및 종료 경계에서 함수와 그 도함수의 연속성을 확보하여 현실적인 신호 복원을 이루는 것.
• 실제 문제에 대한 방법의 유효성을 입증하는 것: 센서 드리프트/바이어스 보정 및 뇌파 신호에서 EOG 아티팩트 제거.

제안 방법

• 변화점에서 연속성을 보장하는 새로운 마르코프 영역 연결(MRL) 커널을 사용하는 조각별 정상적 접근 방식을 사용한다.
• 관측된 신호를 진정한 물리적 과정과 결정론적 고장 과정의 합으로 모델링하며, 둘 다 독립된 GP 사전분포에 의해 지배된다.
• 수정된 커널 행렬을 사용하여 신체 신호와 고장 과정에 대한 사후 평균과 공분산을 추론하기 위해 GP 회귀를 적용한다.
• 뇌파와 EOG 성분을 위한 공동 확률 모델을 사용하며, 시간에 따라 순차적으로 아티팩트가 없는 뇌파 신호를 추정하기 위해 근사화를 수행한다.
• 스케일 길이, 스케일 높이, 아티팩트 발생 시점, 잔차 분산 등의 하이퍼파rameter에 대해 몬테카를로 샘플링을 사용하여 근사화한다.
• 예측값과 관측값의 정밀도 가중 융합을 통해 재구성된 뇌파 및 EOG 신호의 사후 평균과 분산에 대한 폐쇄형 표현식을 유도한다.

실험 결과

연구 질문

• RQ1 비정상 가우시안 프로세스 프레임워크는 드리프트 및 바이어스와 같은 일시적 고장을 효과적으로 모델링하고 제거할 수 있는가?
• RQ2 비정상 가우시안 프로세스 설정에서 고장 경계에서 신호와 그 도함수의 연속성을 어떻게 확보할 수 있는가?
• RQ3 제안된 방법은 EOG에 오염된 기록에서 고해상도로 아티팩트가 없는 뇌파 신호를 복원할 수 있는가?
• RQ4 MRL 커널은 급격하거나 점진적인 신호 이상을 다룰 때 기존의 정상 커널보다 어떻게 비교되는가?
• RQ5 하이퍼파ram터의 불확실성은 고장 복구 및 신호 복원 정확도에 어떤 영향을 미치는가?

주요 결과

• MRL 커널은 고장 경계를 넘어서도 연속적인 함수와 도함수를 생성하여 불연속성이 없는 매끄러운 고장 제거를 가능하게 한다.
• 시각화 결과에서 1-표준편차 신뢰구간이 진짜 신호를 견고하게 감싸며, EOG 아티팩트에 의해 오염된 뇌파 신호를 정확하게 복원함을 보여준다.
• 원본과 재구성된 뇌파 신호 간의 평균 차이가 작게 유지되어 원본 신호의 내용을 높은 수준으로 유지함을 나타낸다.
• 알고리즘은 EOG 아티팩트를 뇌파 신호에서 효과적으로 분리하며, 사후 추정치는 잔차 오차가 최소한임을 보여준다.
• 하이퍼파ram터에 대한 몬테카를로 근사화는 다양한 고장 유형과 신호 특성에 걸쳐 강건성과 일반화 능력을 향상시킨다.
• 변화점과 연속성 제약 조건을 명시적으로 모델링함으로써, 기존의 표준 GP 모델보다 비정상 고장을 다루는 데서 더 우수한 성능을 보인다.