This dissertation proposes and explores several models for anomaly detection, which is frequently found in industrial fields. Among them, this dissertation focuses on contextual anomaly detection in case there are contextual variables as well as response variables directly used for anomaly detection. The contextual variables are not directly related to the system health, but they influence the response variables obtained from the system. These contextual variables violate the assumption that the response variables obtained in a normal state system follow a single distribution. In many industrial fields, the distribution of response variables varies due to these contextual variables. Therefore, it is important to detect anomalies in consideration of the contextual variables. In the first chapter of this dissertation, a contextual anomaly detection model using dimensional reduction and conditional density function estimation is proposed for high-dimensional data having complex relationship in response variables. In the second chapter, we propose a VAE-based contextual anomaly detection model that additionally considers the clustering effect of contextual variables for high-dimensional and complex data. Finally, in the third chapter, we propose a contextual anomaly detection model that reflects auto-correlation in data with multidimensional and complex relationships between variables. This dissertation aims to present the possibility of solving various anomaly detection problems occurring in the actual industrial fields by proposing contextual anomaly detection models based on machine learning for data with high-dimensional and complex relationships between variables.
본 학위 논문은 산업 현장에서 빈번하게 볼 수 있는 이상탐지를 위한 모델을 제안하고 살펴본다. 그 중에서도 이상탐지에 직접적으로 쓰이는 반응변수 뿐만 아니라 맥락적 변수가 있는 경우에 대한 맥락적 이상탐지에 집중한다. 맥락적 변수는 시스템의 상태에 직접적인 연관은 없지만 시스템에서 얻어지는 반응 변수에 영향을 주는 변수이다. 이 맥락적 변수는 정상 상태의 시스템에서 얻어지는 반응변수들이 하나의 정상 분포를 따른다는 가정을 위배시킨다. 많은 산업 현장에서는 이러한 맥락적 변수에 의해 반응변수들의 분포가 달라지는 경우가 발생하다. 그러므로 맥락적 변수를 고려하여 이상탐지를 하는 것은 중요하다. 본 학위논문의 첫번째 장에서는 고차원이며 변수간 관계가 복잡한 데이터에 대해서 차원 축소와 조건부 밀도함수 추정을 이용한 맥락적 이상탐지 모델을 제안한다. 두번째 장에서는 고차원이며 변수간 관계가 복잡한 데이터에 대해서 맥락적 변수의 클러스터링 효과를 고려하는 VAE 기반의 맥락적 이상탐지 모델을 제안한다. 마지막으로 세번째 장에서는 다차원이며 변수간 관계가 복잡한 데이터에 자기상관성이 존재할 때 이를 반영하는 맥락적 이상탐지 모델을 제안한다. 본 학위 논문은 고차원이며 변수간 관계가 복잡한 데이터들에 대해 기계학습 기반의 맥락적 이상탐지 모델들을 제안함으로써 실제 산업 현장에서 발생하는 다양한 이상탐지 문제들을 해결하는 가능성을 제시하고자 한다.
