Paper Link: Link
- Time Series Data들에 대해서 Anomaly Detection을 수행하는데 있어서, GAN구조를 이용한 BeatGAN을 이용함
- 해당 방식은 Unsupervsied anomaly detection algorithm을 사용함
- BeatGAN을 통해서 input beats에 대해서 anomalous time ticks에 대해서 explainable results를 출력할 수 있음
- 기존의 AE,CAE와 마찬가지로 Reconstruction Error를 사용하며, Times series warpping을 이용하여 Data-Augmentation을 수행
- 0.95AUC, 2.6ms per beat의 fast Inference 성능을 보여줌
- 이외에 Multivariate motion-capture로 부터 unusual motion을 탐지
- Anomaly Detection from normal times series
- GAN기반의 Reconstruction error를 이용하는 BeatGAN 제안
- Effectiveness & Explainability & Generality
-
$\Tau \in \mathbb{R}^{M \times N}$ : Multi-variate time series- N : time ticks in length
- M : each time tick의 dimensions
-
논문에서는 Input Beats
$x$ :$\in \mathbb{R}^{L \times N}$ 의 window size로 고정- L :beat를 포함하는 적당히 큰 수
-
$X$ : columns에 따라$x \in \mathcal{X}$ 로 Concatenating 된 matrix -
$G(\cdot)$ : Reconstructed model -
$R(G)$ : regularization term
- GAN의 학습방식과 마찬가지로, Discriminator는 Real, Fake에 대해서 구분하는방식의 훈련, Generator는 Discriminator를 속일 수 있는 데이터를 생성하는(fake를 real처럼 만드는)방식으로 훈련을 진행
-
$G_E(\cdot)$ : 256-128-32-10 dimension layer -
$G_D(\cdot)$ : 10-32-128-256 dimension layer -
기존 GAN 방식과는 다르게
$L_G$ 를 이용하여 optimization 하기에는 Gradient Vanishing과 mode collapse를 발생시킬 수 있기 때문에Pairwise feature matching loss를 이용하여 Regularization Term을 적용한다. -
Input x 와 reconstructed
$x'$ 에 대해 Discriminator가 얼마나 구별을 잘 했는지에 대한 차이를 통해서 계산한다.
- 따라서 다음과 Generator와 Discriminator의 Loss는 각각 Min, max를 통해서 수행한다.
- BeatGAN은 다른 anomalous rhythm detection에 대해서 가장 좋은 성능을 냈음을 확인할 수 있다.
- BeatGAN에서 augementation을 통해서 3배크기의 train data까지 늘렸음
- 논문의 저자는
$\lambda$ = 0.01 , Dimension space = 10으로 고정
- 기존의 방식들에 비해서 압도적인 inference speed를 가졌음