해당 영상 관련자는 아니지만,,, label은 필요없습니다. decoder 두 개를 이용하지만 기본적으로 auto-encoder의 개념과 비슷합니다. input-data 자체가 라벨인 데이터라 생각하면 될 것 같습니다. 물론 해당 방법론은 auto-encoder 구조와 adversarial 구조를 모두 접목하고 가중합 최소화하는 방식을 썼지만 넓게보면 auto-encoder 방법으로 학습한 뒤, 실험을 할 때는 decoded된 데이터가 input 데이터와 크게 차이나면(주어진 임계치를 넘으면) anomaly로 판단하고 아니면 normal로 판단하는 방식입니다. 물론 성능 비교를 위해 test set에 대해서는 정답 label이 있는 데이터를 이용한 것으로 보입니다.
안녕하세요. 쵸쵸님께서 대신 답변해주신 것처럼 USAD 모델을 학습할 때는 별도의 label이 필요하지 않습니다. 학습 단계에서는 phase1의 loss와 phase2의 loss를 통합하여 학습 loss로 사용합니다. 먼저 phase1에서는 원본 시계열 데이터 input과 각 autoencoder가 복원한 값의 차이를 loss로 사용합니다. 다음으로 phase2에서는 두번째 autoencoder가 discriminator의 역할을 하기 때문에 두번째 autoencoder가 첫번째 autoencoder의 복원 값을 input으로 받아 복원한 결과와 원본 시계열 데이터 input의 차이를 loss로 사용합니다. 따라서 학습 단계에서는 정상/비정상 label이 아닌 원본 시계열 데이터 input 자체를 label로 활용한다고 생각하시면 이해하시는데 도움이 될 것 같습니다. 감사합니다!
![[Paper Review] DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation](http://i.ytimg.com/vi/j5pJajJxdxs/mqdefault.jpg)
![[Paper Review] DisenHAN: Disentangled Heterogeneous Graph Attention Network for Recommendation](/img/tr.png)
![[Paper Review] Deep Semi-supervised Anomaly Detection](http://i.ytimg.com/vi/l--BSilQQqU/mqdefault.jpg)
![[Paper Review] Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecasting](http://i.ytimg.com/vi/Lb4E-RAaHTs/mqdefault.jpg)
와 38분 중에 버리는 시간이 전혀 없으시네요. 대단하십니다.
논문 리뷰하시고 발표 자료 준비하시느라 엄청 오래 걸리셨을텐데 너무 편하게 잘 정리된 자료를 보고 들을 수 있어서 감사합니다!!
발표 너무 시원시원하게 해서 정말 좋습니다!
혹시 ppt 본문 폰트가 어떻게 되나요? 너무 눈에 잘 들어오네요!
안녕하세요. 본 영상의 발표자료에서 사용한 글꼴은 네이버 글꼴 "나눔바른고딕"입니다!
training 을 할때 정상이냐 비정상이냐 label이 필요한가요????
해당 영상 관련자는 아니지만,,, label은 필요없습니다. decoder 두 개를 이용하지만 기본적으로 auto-encoder의 개념과 비슷합니다. input-data 자체가 라벨인 데이터라 생각하면 될 것 같습니다. 물론 해당 방법론은 auto-encoder 구조와 adversarial 구조를 모두 접목하고 가중합 최소화하는 방식을 썼지만 넓게보면 auto-encoder 방법으로 학습한 뒤, 실험을 할 때는 decoded된 데이터가 input 데이터와 크게 차이나면(주어진 임계치를 넘으면) anomaly로 판단하고 아니면 normal로 판단하는 방식입니다.
물론 성능 비교를 위해 test set에 대해서는 정답 label이 있는 데이터를 이용한 것으로 보입니다.
안녕하세요. 쵸쵸님께서 대신 답변해주신 것처럼 USAD 모델을 학습할 때는 별도의 label이 필요하지 않습니다. 학습 단계에서는 phase1의 loss와 phase2의 loss를 통합하여 학습 loss로 사용합니다. 먼저 phase1에서는 원본 시계열 데이터 input과 각 autoencoder가 복원한 값의 차이를 loss로 사용합니다. 다음으로 phase2에서는 두번째 autoencoder가 discriminator의 역할을 하기 때문에 두번째 autoencoder가 첫번째 autoencoder의 복원 값을 input으로 받아 복원한 결과와 원본 시계열 데이터 input의 차이를 loss로 사용합니다. 따라서 학습 단계에서는 정상/비정상 label이 아닌 원본 시계열 데이터 input 자체를 label로 활용한다고 생각하시면 이해하시는데 도움이 될 것 같습니다. 감사합니다!
Input 에 비정상 자료가있다면 사용하면안되나요?