Ia berdasarkan 'model campuran Gaussian' – GMM.
“Rangkaian saraf berkuasa tetapi mempunyai kelemahan utama: mengendalikan data yang tidak kelihatan, seperti kecacatan pada produk semasa pembuatan, adalah satu cabaran kerana pergantungan mereka pada data latihan sedia ada. Input yang benar-benar baru sering disalahklasifikasikan ke dalam kategori sedia ada," menurut syarikat itu. “Syarikat tidak boleh mengumpul sampel dunia sebenar untuk setiap anomali, terutamanya untuk kecacatan yang tidak dijangka. GMM ialah teknik pengelompokan yang boleh kami gunakan untuk pengesanan anomali."
Alat pembangunan perisian, 'FOMO-AD', direka bentuk untuk mencipta algoritma pengesanan berasaskan GMM untuk peranti yang dikekang sumber seperti MCU.
GMM mewakili taburan kebarangkalian sebagai campuran berbilang taburan Gaussian (normal). Setiap komponen Gaussian dalam campuran mewakili kelompok titik data dengan ciri yang serupa. "Oleh itu, GMM berfungsi menggunakan andaian bahawa sampel dalam set data boleh dimodelkan menggunakan taburan Gaussian yang berbeza," kata Edge Impulse.
Pengesanan anomali menggunakan GMM melibatkan mengenal pasti titik data dengan kebarangkalian rendah, lanjutnya. Jika titik data mempunyai kebarangkalian yang jauh lebih rendah untuk dijana oleh model campuran berbanding kebanyakan titik data lain, ia dianggap sebagai anomali dan skor anomali yang tinggi akan dikeluarkan.
"GMM mempunyai beberapa pertindihan dengan K-means, bagaimanapun, gugusan K-means sentiasa berbentuk bulat, sfera atau hipersfera apabila GMM boleh memodelkan gugusan elips," tambah syarikat itu.