Unsupervised anomaly detection via deep metric learning with end-to-end optimization
Derin metrik öğrenmesi ile baştan sona optimize edilebilen gözetimsiz anomali tespiti
- Tez No: 685320
- Danışmanlar: PROF. DR. SÜLEYMAN SERDAR KOZAT
- Tez Türü: Yüksek Lisans
- Konular: Elektrik ve Elektronik Mühendisliği, Electrical and Electronics Engineering
- Anahtar Kelimeler: Belirtilmemiş.
- Yıl: 2021
- Dil: İngilizce
- Üniversite: İhsan Doğramacı Bilkent Üniversitesi
- Enstitü: Mühendislik ve Fen Bilimleri Enstitüsü
- Ana Bilim Dalı: Elektrik ve Elektronik Mühendisliği Ana Bilim Dalı
- Bilim Dalı: Belirtilmemiş.
- Sayfa Sayısı: Belirtilmemiş.
Özet
Bu çalışmakta yüksek boyutlu veriler için denetimsiz anormallik tespitini araştırılmakta ve derin metrik öğrenme tabanlı bir yapı sunulmaktadır. Derin sinir ağı aracılığıyla bir mesafe metriği öğrenilmektedir. Bu metrik aracılığıyla veriler daha küçük boyutlu metrik alana yansıtılmaktadır. Bu sayede anormallikleri normal verilerden daha iyi ayrılmakta ve yüksek boyutlu veriler için çok boyutluluğun lanetinin etkisi azaltılmaktadır. Tüm verileri normal kabul eden geleneksel uygulama yerine kendi kendine denetim yoluyla veriyi anormalliklerden arındıran yeni bir veri saflaştırma yöntemi sunulmaktadır. Ayrıca DML literatüründeki sert madencilik tekniğini kullanıyoruz. Bu bileşenlerin ayrı ayrı modelimizin performansını iyileştirdiği gösterilmektedir. Literatürde yaygın olarak kullanılan 14 farklı gerçek dünya veri kümesinde yapılan kapsamlı deneyler sayesinde yöntemimiz, literatürdeki popüler denetimsiz anormallik algılama yöntemlerine kıyasla önemli performans kazanımları ortaya koymakta ve bu 14 veri kümesinin ortalamasında %4.44 ile %11.74 arasında ortalama eğri altındaki alan metriğinde artış sağlamaktadır. Tüm bunların yanında başka araştırmalara öncülük etmek adına metodumuzun kaynak kodu Github'da herkese açık şekilde paylaşılmaktadır.
Özet (Çeviri)
We investigate unsupervised anomaly detection for high-dimensional data and introduce a deep metric learning (DML) based framework. In particular, we learn a distance metric through a deep neural network. Through this metric, we project the data into the metric space that better separates the anomalies from the normal data and reduces the effect of the curse of dimensionality for high-dimensional data. We present a novel data distillation method through self-supervision to remedy the conventional practice of assuming all data as normal. We also employ the hard mining technique from the DML literature. We show these components improve the performance of our model. Through an extensive set of experiments on the 14 real-world datasets, our method demonstrates significant performance gains compared to the state-of-the-art unsupervised anomaly detection methods, e.g., an absolute improvement between 4.44% and 11.74% on the average over the 14 datasets. Furthermore, we share the source code of our method on Github to facilitate further research.
Benzer Tezler
- Nöromorfik hesaplama ve memristor tabanlı ağ saldırı tespit sistemleri: Siber güvenlikte yeni yaklaşımlar
Neuromorphic computing and memristor-based network attack detection systems: New approaches in cyber security
YUSUF ETKA KÖYLÜ
Yüksek Lisans
Türkçe
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiMekatronik Mühendisliği Ana Bilim Dalı
PROF. DR. İLHAN KOCAARSLAN
- Data-driven delay estimation and anomaly detection: A study on European and Turkish air traffic
Veri güdümlü gecikme tahmini ve anomali tespiti: Avrupa ve Türkiye hava trafiği üzerine bir çalışma
MUHAMMET AKSOY
Yüksek Lisans
Türkçe
2023
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve Kontrolİstanbul Teknik ÜniversitesiUçak ve Uzay Mühendisliği Ana Bilim Dalı
DR. EMRE KOYUNCU
- A lightweight one-class classification method using multi-scale feature fusion with channel attention for industrial anomaly detection
Endüstriyel görüntülerde anomali tespiti için kanal dikkatli çok seviyeli özellikler kullanan hafif tek sınıflı sınıflandırma modeli
YUSUF SOYDAN
Yüksek Lisans
İngilizce
2025
Bilgisayar Mühendisliği Bilimleri-Bilgisayar ve KontrolOrta Doğu Teknik ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
DOÇ. DR. ŞEYDA ERTEKİN
- Baskı devre kartlarında lehim hatası denetimi
Solder joint inspection on printed circuit boards
FURKAN ÜLGER
Yüksek Lisans
Türkçe
2022
Elektrik ve Elektronik MühendisliğiHacettepe ÜniversitesiElektrik ve Elektronik Mühendisliği Ana Bilim Dalı
DOÇ. DR. SENİHA ESEN YÜKSEL ERDEM
- In-memory (hafıza içi) veri tabanı sistemlerinde akıllı log analizi
Intelligency log analyses on in-memory database systems
HAYATİ TUTAR
Yüksek Lisans
Türkçe
2016
Bilim ve Teknolojiİstanbul Aydın ÜniversitesiBilgisayar Mühendisliği Ana Bilim Dalı
YRD. DOÇ. DR. METİN ZONTUL