표제지
목차
국문초록 9
Ⅰ. 서론 11
Ⅱ. 관련 연구 15
2.1. 오토인코더 15
2.2. Meta Pseudo Label 17
Ⅲ. 제안 기법 20
3.1. 개요 20
3.2. Meta Pseudo Label을 활용한 오토인코더 학습 기법 23
Ⅳ. 성능 평가 29
4.1. 실험 환경 및 방법 29
4.2. 제안된 Meta Pseudo Label을 활용한 오토인코더 기반 이상 탐지 성능 평가 33
4.2.1. 실험1의 데이터 및 모델 구조 33
4.2.2. 실험1의 성능 평가 결과 34
4.3. 제안된 Meta Pseudo Label을 활용한 합성곱 오토인코더 기반 이상 탐지 성능 평가 39
4.3.1. 실험2의 데이터 및 모델 구조 39
4.3.2. 실험2의 성능 평가 결과 41
Ⅴ. 결론 47
참고문헌 49
ABSTRACT 52
〈표 1〉 제안 모델 알고리즘 27
〈표 2〉 실험1의 제안 기법의 오토인코더의 이상 탐지 성능 36
〈표 3〉 실험1의 비교 모델의 이상 탐지 성능 36
〈표 4〉 실험2의 제안 기법의 합성곱 오토인코더의 이상 탐지 성능 43
〈표 5〉 실험2의 비교 모델의 이상 탐지 성능 43
[그림 1] Pseudo Label과 Meta Pseudo Label의 비교 18
[그림 2] 기존 Meta Pseudo Label의 전체적인 학습 구조 19
[그림 3] 제안된 Meta Pseudo Label의 전체적인 학습 구조 22
[그림 4] 학습 데이터와 동일 클래스의 재구성 손실값 분포 24
[그림 5] 혼동행렬과 정밀도, 재현율, F1 스코어의 계산식 31
[그림 6] 실험1의 임계값에 따른 제안 모델의 F1 스코어 35
[그림 7] 실험1의 제안 기법의 오토인코더와 비지도 학습 머신러닝 모델의 성능 38
[그림 8] 실험2의 임계값에 따른 제안 모델의 F1 스코어 42
[그림 9] 실험2의 제안 기법의 합성곱 오토인코더와 비지도 학습 머신러닝 모델의 성능 45