PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.11844v1cs.LG

TaskFusion: 이질적 테이블 데이터를 위한 지속적 이상 탐지

TaskFusion: Continual Anomaly Detection for Heterogeneous Tabular Data

테이블 데이터에서의 지속적 이상 탐지는 어렵고, 특히 이질적 특징 스키마, 분포 변화, 심각한 클래스 불균형이 존재하는 설정에서는 대부분 미탐구 상태로 남아 있습니다. 많은 실제 애플리케이션에서 데이터는 다양한 도메인에서 순차적으로 도착하며, 이는 고정된 입력 공간에 의존하는 기존 지속적 학습 방법의 효과를 떨어뜨립니다. 우리는 이러한 도전을 극복하고 다른 작업에서 지속적으로 학습할 수 있는 지속적 학습(CL) 방법을 제안합니다. 우리의 방법은 세 가지 주요 부분으로 구성됩니다: AGF 모델, Taskfusion 증강, 그리고 아웃라이어 노출입니다. AGF 모델은 작업별 특징을 공유 공간에 매핑한 다음, 분포를 정렬하여 표현 드리프트를 줄이고, 정렬된 공간에서 이상치 결정 경계를 학습합니다. 안정성을 향상시키기 위해 우리는 Taskfusion 증강을 도입했는데, 이는 작업 내 경계 인지 보간을 결합하여 모델의 이상치 경계를 정교화하고, 작업 간 혼합을 통해 데이터셋 간 이상치 구조를 전이합니다. 클래스 불균형과 메모리 제약을 처리하기 위해, 우리는 압축된 합성 재생 샘플을 저장하기 위해 테이블 데이터셋 증류를 사용하며, 이는 강건한 이상 탐지를 위해 증강된 데이터와 함께 아웃라이어 노출 목적 함수에서 공동으로 사용됩니다. 우리는 여러 도메인에 걸친 21개의 이질적 데이터셋에서 이 접근 방식을 평가했습니다. 결과는 우리의 접근 방식이 재앙적 망각을 줄이고 이질적 데이터셋 전반에 걸쳐 안정적인 탐지를 유지하면서, 순차적 미세조정 및 다른 CL 기준 모델에 비해 지속적 이상 탐지 성능을 크게 향상시킴을 보여줍니다.