GAN을 이용한 이상탐지

핵심 요약

너드팩토리가 GANomaly를 활용한 이상탐지 구현을 소개하며, Encoder-Decoder-Encoder 구조의 Generator와 EncLoss/Contextual Loss/Adversarial Loss를 결합한 비정상 탐지 파이프라인을 제시합니다.

GANomaly 아키텍처에서 Generator는 Encoder-Decoder-Encoder 구조를 갖고, Discriminator와의 adversarial 학습으로 이상 탐지에 적합한 표현을 학습합니다.
손실 함수는 EncLoss, Contextual Loss, Adversarial Loss의 합으로 구성되며, 가중치는 cnt_loss: 20.0, adv_loss: 1.0, enc_loss: 1.0로 설정됩니다.
학습 흐름은 d.trainable를 번갈아 켜고 끄며, 먼저 판별자를 학습시키고, 그다음 생성자 GAN 트레이너를 학습시키는 방식으로 진행합니다.
테스트 시 x에 대해 G(x)와 E(G(x))의 차를 통해 이상점수를 산출하고, Encoder 출력 간 SSE를 0-1로 정규화합니다. MNIST 예제에서의 비정상/정상 분류 시나리오를 참고합니다.

핵심 요약

구현 방법

GANomaly 아키텍처에서 Generator는 Encoder-Decoder-Encoder 구조를 갖고, Discriminator와의 adversarial 학습으로 이상 탐지에 적합한 표현을 학습합니다.

손실 함수는 EncLoss, Contextual Loss, Adversarial Loss의 합으로 구성되며, 가중치는 cnt_loss: 20.0, adv_loss: 1.0, enc_loss: 1.0로 설정됩니다.

학습 흐름은 d.trainable를 번갈아 켜고 끄며, 먼저 판별자를 학습시키고, 그다음 생성자 GAN 트레이너를 학습시키는 방식으로 진행합니다.

테스트 시 x에 대해 G(x)와 E(G(x))의 차를 통해 이상점수를 산출하고, Encoder 출력 간 SSE를 0-1로 정규화합니다. MNIST 예제에서의 비정상/정상 분류 시나리오를 참고합니다.

주요 결과

GANomaly의 아키텍처 및 손실 함수 구성과 테스트 시 이상점수 산출 방식이 명시적으로 정리됩니다.

테스트 데이터에 대한 점수 산출과 Min-max 정규화를 통한 이진화 흐름을 확인할 수 있습니다.

본 글은 구체적 수치 대신 구조적 구현 흐름과 실험 설계에 초점을 맞추고 있으며, MNIST 예제의 구현 사례를 참고합니다.