Si basa su "modelli di miscela gaussiana" – MGM.
“Le reti neurali sono potenti ma presentano un grosso inconveniente: gestire dati invisibili, come i difetti di un prodotto durante la produzione, è una sfida a causa della loro dipendenza dai dati di addestramento esistenti. Input completamente nuovi spesso vengono classificati erroneamente in categorie esistenti”, secondo l’azienda. “Le aziende non possono raccogliere campioni reali per ogni anomalia, soprattutto per difetti imprevisti. I GMM sono tecniche di clustering che possiamo utilizzare per il rilevamento di anomalie”.
Lo strumento di sviluppo software, "FOMO-AD", è progettato per creare algoritmi di rilevamento basati su GMM per dispositivi con risorse limitate come gli MCU.
Un GMM rappresenta una distribuzione di probabilità come una miscela di più distribuzioni gaussiane (normali). Ciascun componente gaussiano nella miscela rappresenta un cluster di punti dati con caratteristiche simili. “Pertanto, i GMM funzionano partendo dal presupposto che i campioni all’interno di un set di dati possano essere modellati utilizzando diverse distribuzioni gaussiane”, ha affermato Edge Impulse.
Il rilevamento delle anomalie tramite GMM implica l’identificazione di punti dati con basse probabilità, ha continuato. Se un punto dati ha una probabilità significativamente inferiore di essere generato dal modello misto rispetto alla maggior parte degli altri punti dati, viene considerato un'anomalia e verrà restituito un punteggio di anomalia elevato.
"GMM ha una certa sovrapposizione con le medie K, tuttavia, i cluster delle medie K sono sempre circolari, sferici o ipersferici quando GMM può modellare cluster ellittici", ha aggiunto la società.