메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류

추천
검색
질문

논문 기본 정보

자료유형
학술대회자료
저자정보
조해준 (중앙대학교) 김경석 (중앙대학교) 이인재 (중앙대학교) 이현민 (중앙대학교) 한승희 (중앙대학교) 백준기 (중앙대학교)
저널정보
대한전자공학회 대한전자공학회 학술대회 2024년도 대한전자공학회 하계학술대회 논문집
발행연도
2024.6
수록면
2,823 - 2,826 (4page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
Anomaly detection is a widely researched topic, especially in industrial applications where unsupervised learning is often preferred due to two primary challenges. First, the issue of data imbalance arises because normal data is readily available, while anomalous data is rare and challenging to collect. Second, anomaly detection must address the vulnerability to new data, as anomalous patterns can manifest in unexpected ways, requiring robust models capable of recognizing novel anomaly forms. In this paper, we propose a novel approach that integrates Variational Autoencoders (VAE)[1] and Surpport Vector Data Description (SVDD)[2]. By pre-training a VAE to accurately represent data distribution, we obtain a latent representation (Z) that effectively captures the data"s characteristics. This representation is then used to train Deep SVDD, leveraging the parameters obtained from the VAE. Our proposed model aims to enhance the robustness of anomaly detection by efficiently learning and adapting to varying anomaly patterns.

목차

Abstract
Ⅰ. 서론
Ⅱ. 관련 연구
Ⅲ. 제안 방법
Ⅳ. 실험 방법 및 결과 분석
Ⅴ. 결론
참고문헌

참고문헌 (0)

참고문헌 신청

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

최근 본 자료

전체보기

댓글(0)

0