이는 '가우스 혼합 모델'(GMM)을 기반으로 합니다.
“신경망은 강력하지만 큰 단점이 있습니다. 제조 중 제품 결함과 같이 보이지 않는 데이터를 처리하는 것은 기존 교육 데이터에 의존하기 때문에 어려운 일입니다. 완전히 새로운 입력이 기존 카테고리로 잘못 분류되는 경우가 많습니다.”라고 회사는 말합니다. “회사는 모든 이상 현상, 특히 예상치 못한 결함에 대해 실제 샘플을 수집할 수 없습니다. GMM은 이상 탐지에 사용할 수 있는 클러스터링 기술입니다.”
소프트웨어 개발 도구인 'FOMO-AD'는 MCU와 같이 리소스가 제한된 장치에 대한 GMM 기반 감지 알고리즘을 생성하도록 설계되었습니다.
GMM은 여러 가우스(정규) 분포가 혼합된 확률 분포를 나타냅니다. 혼합물의 각 가우스 구성요소는 유사한 특성을 가진 데이터 포인트의 클러스터를 나타냅니다. Edge Impulse는 “따라서 GMM은 데이터 세트 내의 샘플이 다양한 가우스 분포를 사용하여 모델링될 수 있다는 가정을 사용하여 작업합니다.”라고 말했습니다.
GMM을 사용한 이상 탐지에는 낮은 확률로 데이터 포인트를 식별하는 작업이 포함됩니다. 데이터 포인트가 대부분의 다른 데이터 포인트에 비해 혼합 모델에 의해 생성될 확률이 현저히 낮은 경우 이는 이상으로 간주되어 높은 이상 점수가 출력됩니다.
"GMM은 K-평균과 일부 중복되지만 GMM이 타원형 클러스터를 모델링할 수 있는 경우 K-평균 클러스터는 항상 원형, 구형 또는 초구형입니다."라고 회사는 덧붙였습니다.