これは「混合ガウス モデル」、つまり GMM に基づいています。
「ニューラル ネットワークは強力ですが、大きな欠点があります。既存のトレーニング データに依存しているため、製造中の製品の欠陥などの目に見えないデータの処理が困難です。まったく新しいインプットが既存のカテゴリに誤って分類されることがよくあります」と同社は述べています。 「企業は、あらゆる異常、特に予期せぬ欠陥について現実世界のサンプルを収集することはできません。 GMM は、異常検出に使用できるクラスタリング技術です。」
ソフトウェア開発ツール「FOMO-AD」は、MCU などのリソースに制約のあるデバイス向けの GMM ベースの検出アルゴリズムを作成するように設計されています。
GMM は、複数のガウス (正規) 分布の混合として確率分布を表します。混合内の各ガウス コンポーネントは、同様の特性を持つデータ ポイントのクラスターを表します。 「したがって、GMM は、データセット内のサンプルがさまざまなガウス分布を使用してモデル化できるという前提に基づいて機能します」と Edge Impulse 氏は述べています。
GMMを使用した異常検出には、確率の低いデータポイントを特定することが含まれると続けた。データ ポイントが他のほとんどのデータ ポイントと比較して混合モデルによって生成される確率が著しく低い場合、そのデータ ポイントは異常とみなされ、高い異常スコアが出力されます。
「GMM には K 平均法と一部重複する部分がありますが、GMM が楕円クラスターをモデル化できる場合、K 平均クラスターは常に円形、球形、または超球形になります。」と同社は付け加えました。