[딥러닝, CV] 오토인코더, 잠재 벡터, 이상치 탐지, 노이즈 제거

오토인코더(AutoEncoder, AE)

• 입력 데이터를 저차원의 벡터(잠재 벡터 ; Latent Vector)로 압축하고 다시 원래 크기의 출력 데이터로 복원하는 신경망입니다.
• 오토인코더의 가장 중요한 목적은 인코더와 디코더 사이의 잠재 벡터를 얼마나 잘 얻어내느냐 입니다.
• 오토인코더는 비지도학습의 일종으로, 입력값을 정답으로도 사용하기 때문에 자기지도학습이기도 합니다.

잠재 벡터(Latent Vector)

• 오토인코더에서 가장 중요한 목적으로, 입력값에 대한 중요한 특성들이 가장 효율적으로 저장되게끔 학습됩니다.
• 원본 데이터를 압축 후 다시 복원하고 그 복원값과 원본 데이터(입력값이자 실제값)을 비교하여 가중치가 조정되며 잠재벡터가 결정됩니다.

이상치 탐지(Anomaly Detection)

• 정상으로 규정된 데이터와 다른 패턴이나 특징을 보이는 데이터 혹은 개체를 찾는 방법입니다. 비정상 데이터를 탐지하기 위해 오토인코더를 활용할 수 있습니다.
• 오토인코더를 정상 데이터를 입력하여 복원하는 과정에서 에러를 최소화하게 되고(이 때, 이 에러를 복원 오류라 합니다.) 이렇게 조정된 가중치를 통해 비정상 데이터를 복원합니다. 이 때 발생하는 복원 오류가 정상 데이터에서 얻은 임계치를 초과하는 경우 이상치로 분류할 수 있습니다.
• 즉, 정상 데이터를 통해 복원 오류에 대한 임계치를 설정하고 비정상 데이터의 복원 오류가 임계치를 넘으면 이상치로 탐지하는 방식입니다.

Denoising AutoEncoder (DAE) ; 노이즈 제거

• 데이터에 있는 노이즈를 제거해주는 작업입니다.
• 오토인코더의 가장 주요한 기능인 중요한 특성을 효율적으로 추출하는 작업을 생각해보면 자연스럽게 노이즈 제거가 되는 것을 생각해볼 수 있습니다.
• 이 때, 입력데이터는 노이즈가 들어간 데이터지만 출력값과 비교해야하는 실제값은 노이즈가 끼지 않은 값(원본 데이터)이 됩니다.

이상입니다. 감사합니다. :)

참고 : 오토인코더 병목현상 설명
참고 : 오토인코더 기반의 이상 탐지