Nó dựa trên 'Mô hình hỗn hợp Gaussian' – GMM.
“Mạng lưới thần kinh rất mạnh nhưng có một nhược điểm lớn: xử lý dữ liệu không nhìn thấy được, như lỗi của sản phẩm trong quá trình sản xuất, là một thách thức do chúng phải phụ thuộc vào dữ liệu đào tạo hiện có. Theo công ty, những đầu vào hoàn toàn mới thường bị phân loại sai vào các danh mục hiện có. “Các công ty không thể thu thập các mẫu thực tế cho mọi điểm bất thường, đặc biệt là đối với những khiếm khuyết không lường trước được. GMM là các kỹ thuật phân cụm mà chúng tôi có thể sử dụng để phát hiện sự bất thường.”
Công cụ phát triển phần mềm 'FOMO-AD' được thiết kế để tạo ra các thuật toán phát hiện dựa trên GMM cho các thiết bị bị hạn chế về tài nguyên như MCU.
GMM biểu thị phân bố xác suất dưới dạng hỗn hợp của nhiều phân bố Gaussian (bình thường). Mỗi thành phần Gaussian trong hỗn hợp đại diện cho một cụm điểm dữ liệu có đặc điểm tương tự. Edge Impulse cho biết: “Do đó, GMM hoạt động dựa trên giả định rằng các mẫu trong tập dữ liệu có thể được mô hình hóa bằng cách sử dụng các phân bố Gaussian khác nhau”.
Việc phát hiện bất thường bằng GMM liên quan đến việc xác định các điểm dữ liệu có xác suất thấp. Nếu một điểm dữ liệu có xác suất được tạo ra bởi mô hình hỗn hợp thấp hơn đáng kể so với hầu hết các điểm dữ liệu khác, thì điểm đó được coi là điểm bất thường và sẽ có điểm bất thường cao.
Công ty cho biết thêm: “GMM có một số điểm trùng lặp với K-means, tuy nhiên, các cụm K-mean luôn có dạng hình tròn, hình cầu hoặc siêu cầu khi GMM có thể mô hình hóa các cụm hình elip”.