Il est basé sur des « modèles de mélange gaussien » – GMM.
« Les réseaux de neurones sont puissants mais présentent un inconvénient majeur : la gestion de données invisibles, comme les défauts d'un produit lors de la fabrication, est un défi en raison de leur dépendance aux données de formation existantes. Les intrants entièrement nouveaux sont souvent mal classés dans des catégories existantes », selon l'entreprise. « Les entreprises ne peuvent pas collecter des échantillons réels pour chaque anomalie, en particulier pour les défauts imprévus. Les GMM sont des techniques de clustering que nous pouvons utiliser pour la détection d’anomalies.
L'outil de développement logiciel « FOMO-AD » est conçu pour créer des algorithmes de détection basés sur GMM pour les appareils aux ressources limitées tels que les MCU.
Un GMM représente une distribution de probabilité comme un mélange de plusieurs distributions gaussiennes (normales). Chaque composante gaussienne du mélange représente un groupe de points de données présentant des caractéristiques similaires. "Ainsi, les GMM fonctionnent en partant du principe que les échantillons d'un ensemble de données peuvent être modélisés à l'aide de différentes distributions gaussiennes", a déclaré Edge Impulse.
La détection d'anomalies à l'aide de GMM implique l'identification de points de données avec de faibles probabilités, poursuit-il. Si un point de données a une probabilité significativement plus faible d'être généré par le modèle de mélange par rapport à la plupart des autres points de données, il est considéré comme une anomalie et un score d'anomalie élevé sera généré.
"GMM présente un certain chevauchement avec K-means, cependant, les clusters K-means sont toujours circulaires, sphériques ou hypersphériques lorsque GMM peut modéliser des clusters elliptiques", a ajouté la société.