Он основан на «моделях гауссовой смеси» – GMM.
«Нейронные сети являются мощными, но имеют серьезный недостаток: обработка невидимых данных, таких как дефекты продукта во время производства, является проблемой из-за их зависимости от существующих обучающих данных. Совершенно новые исходные данные часто ошибочно классифицируются по существующим категориям», — утверждают в компании. «Компании не могут собирать реальные образцы для каждой аномалии, особенно для непредвиденных дефектов. GMM — это методы кластеризации, которые мы можем использовать для обнаружения аномалий».
Инструмент разработки программного обеспечения «FOMO-AD» предназначен для создания алгоритмов обнаружения на основе GMM для устройств с ограниченными ресурсами, таких как микроконтроллеры.
GMM представляет собой распределение вероятностей как смесь нескольких гауссовских (нормальных) распределений. Каждый гауссов компонент смеси представляет собой кластер точек данных со схожими характеристиками. «Таким образом, GMM работают, исходя из предположения, что выборки в наборе данных могут быть смоделированы с использованием различных распределений Гаусса», — сказал Edge Impulse.
Обнаружение аномалий с использованием GMM предполагает выявление точек данных с низкой вероятностью, продолжил он. Если точка данных имеет значительно меньшую вероятность быть созданной смешанной моделью по сравнению с большинством других точек данных, она считается аномалией, и будет выведен высокий показатель аномалии.
«GMM имеет некоторое совпадение с K-средними, однако кластеры K-средних всегда имеют круглую, сферическую или гиперсферическую форму, когда GMM может моделировать эллиптические кластеры», — добавили в компании.