Es basiert auf „Gaußschen Mischungsmodellen“ – GMMs.
„Neuronale Netze sind leistungsstark, haben aber einen großen Nachteil: Der Umgang mit unsichtbaren Daten, wie etwa Fehlern in einem Produkt während der Herstellung, ist eine Herausforderung, da sie auf vorhandene Trainingsdaten angewiesen sind. Völlig neuartige Eingaben werden häufig fälschlicherweise in bestehende Kategorien eingeordnet“, so das Unternehmen. „Unternehmen können nicht für jede Anomalie reale Proben sammeln, insbesondere nicht für unerwartete Mängel. GMMs sind Clustering-Techniken, die wir zur Anomalieerkennung nutzen können.“
Das Softwareentwicklungstool „FOMO-AD“ ist darauf ausgelegt, GMM-basierte Erkennungsalgorithmen für ressourcenbeschränkte Geräte wie MCUs zu erstellen.
Ein GMM stellt eine Wahrscheinlichkeitsverteilung als Mischung mehrerer Gaußscher (Normal-)Verteilungen dar. Jede Gaußsche Komponente in der Mischung stellt eine Gruppe von Datenpunkten mit ähnlichen Eigenschaften dar. „GMMs gehen also davon aus, dass die Stichproben innerhalb eines Datensatzes mithilfe verschiedener Gaußscher Verteilungen modelliert werden können“, sagte Edge Impulse.
Bei der Anomalieerkennung mit GMM gehe es darum, Datenpunkte mit geringer Wahrscheinlichkeit zu identifizieren, heißt es weiter. Wenn die Wahrscheinlichkeit, dass ein Datenpunkt im Vergleich zu den meisten anderen Datenpunkten vom Mischungsmodell generiert wird, deutlich geringer ist, gilt er als Anomalie und es wird ein hoher Anomaliewert ausgegeben.
„GMM hat einige Überschneidungen mit K-Means, K-Means-Cluster sind jedoch immer kreisförmig, sphärisch oder hypersphärisch, wenn GMM elliptische Cluster modellieren kann“, fügte das Unternehmen hinzu.