DC Field | Value | Language |
---|---|---|
dc.contributor.advisor | Kim, Myoung Ho | - |
dc.contributor.author | 박민재 | - |
dc.contributor.author | Park, Min Jae | - |
dc.date.accessioned | 2024-07-25T19:31:24Z | - |
dc.date.available | 2024-07-25T19:31:24Z | - |
dc.date.issued | 2023 | - |
dc.identifier.uri | http://library.kaist.ac.kr/search/detail/view.do?bibCtrlNo=1045954&flag=dissertation | en_US |
dc.identifier.uri | http://hdl.handle.net/10203/320722 | - |
dc.description | 학위논문(석사) - 한국과학기술원 : 전산학부, 2023.8,[iv, 25 p. :] | - |
dc.description.abstract | 현실 세계의 시스템들은 고장 등 이상 상황의 탐지를 위해 시스템을 모니터링하여 다변량 시계열 데이터를 수집하고 있다. 효율적인 탐지를 위해서는 시스템 데이터의 각 시계열이 수집된 데이터 소스 간 형성된 관계 구조를 고려해야 하는데, 이런 관계 구조의 예로 가상 물리 시스템의 센서 간 관계 구조를 들 수 있다. 그런 데 일반적으로 이에 관한 정보는 알려지지 않아, 선행 연구에서는 정상 시스템 데이터에서 이 관계 구조를 학습하고 그래프 형태로 나타내는 그래프 구조 학습을 진행한다. 그러나 이러한 과정에서 데이터 소스인 센서 간 관계 유무만을 고려할 뿐 관계의 유형까지는 고려하지 않았다. 본 논문에서는 이 문제를 해결하기 위해 관계의 유형까지도 반영하는 그래프 구조 학습과 이에 기반하는 이상 탐지 모델을 제안하며, 실험을 통해 그래프 구조 학습에 관계 유형을 고려하는 것이 이상 탐지 성능을 향상함을 보인다. | - |
dc.language | kor | - |
dc.publisher | 한국과학기술원 | - |
dc.subject | Multivariate time series▼aAnomaly detection▼aGraph neural network▼aGraph structure learning▼aRepresentation learning | - |
dc.subject | 그래프 구조 학습▼a표현 학습 | - |
dc.subject | 다변량 시계열▼a이상 탐지▼a그래프 신경망 | - |
dc.title | 다변량 시계열 이상 탐지에서의 센서 간 관계 유형을 반영하는 그래프 구조 학습 | - |
dc.title.alternative | Graph structure learning to reflect the type of relation between sensors in multivariate time series anomaly detection | - |
dc.type | Thesis(Master) | - |
dc.identifier.CNRN | 325007 | - |
dc.description.department | 한국과학기술원 :전산학부, | - |
dc.contributor.alternativeauthor | 김명호 | - |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.