GAN을 이용한 이상탐지

이상탐지에 GAN을 쓰는 방법을 GANomaly 모델 중심으로 정리한 글이다. 생성 모델과 판별 모델의 차이부터 시작해 GAN의 개념을 짚고, GANomaly의 손실 함수 세 가지를 Keras 코드로 구현해 학습과 채점까지 이어간다. MNIST의 1과 7을 정상과 비정상으로 두고 돌린 예제다.

핵심 포인트

판별 모델은 분류 경계를 찾고 생성 모델은 데이터의 분포를 학습한다는 점에서 갈린다.
GAN은 생성자와 구분자가 경쟁하며 학습해 진짜 같은 가짜 데이터를 만드는 신경망이다.
GANomaly의 생성자는 Encoder-Decoder-Encoder 구조라 손실도 여러 개의 합으로 구성된다.
Encoder Loss는 MSE, Contextual Loss는 MAE, Adversarial Loss는 특징 추출 결과의 MSE로 정의된다.
세 손실에 가중치를 곱해 합하며 예제에서는 Contextual에 20, 나머지에 1을 준다.
이상탐지 점수는 Encoder Loss 기반 SSE를 Min-max 정규화해 0과 1 사이로 만든다.

상세 정리

배경: GAN은 2014년에 고안돼 이미지 생성과 스타일 변환, 영상·음성 합성에서 성과를 냈고 최근 이상탐지에도 쓰인다.
두 모델의 대비: 개와 고양이 분류를 예로 들면 판별 모델은 두 클래스를 가르는 경계선을 찾고, 생성 모델은 각 집단이 따르는 분포를 학습해 유사한 데이터를 만들어낸다.
이름 풀이: 적대적은 생성자와 구분자를 경쟁시켜 성능을 올리는 학습 원리를, 생성은 실제 데이터 분포에 근사하도록 학습하는 것을 뜻한다.
이상탐지의 범위: 분포나 boxplot으로 이상치를 찾는 통계적 방법부터 모델로 예측하는 방법까지 다양하며, 이미지의 이상 부위를 찾는 데 GAN 기반 연구가 진행 중이다.
모델 계보: AnoGAN과 GANomaly 등이 있으며 이 글은 GANomaly를 다룬다.
구조의 특징: 생성자가 인코더와 디코더를 거쳐 다시 인코더로 이어지는 구조라 네트워크 수가 많고 그만큼 손실 항도 늘어난다.
Encoder Loss 구현: 원본을 통과시킨 인코더 출력과 생성 결과를 통과시킨 인코더 출력의 제곱 차이 평균으로 정의한다.
Contextual Loss 구현: 원본과 생성 결과의 절댓값 차이 평균으로 정의한다.
Adversarial Loss 구현: 원본과 생성 결과를 특징 추출기에 넣은 뒤 그 차이의 제곱 평균으로 계산한다.
손실 결합: 세 손실을 각각 별도 레이어로 만들어 모델의 출력으로 두고, 이름별 가중치를 지정해 컴파일한다.
학습 루프: 배치를 받아 구분자를 학습 가능 상태로 두고 진짜와 가짜를 concat해 학습시킨 뒤, 구분자를 학습에서 빼고 생성자 쪽을 학습시키는 과정을 반복한다.
라벨 구성: 진짜에는 0, 생성 결과에는 1을 붙여 구분자의 정답으로 쓴다.
채점 방식: 학습 후 테스트 데이터를 각 네트워크에 통과시켜 인코딩 결과와 생성 후 인코딩 결과의 차이를 제곱해 더한 값을 점수로 삼는다.
정규화: 최솟값과 최댓값으로 나눠 0과 1 사이 범위로 옮긴다.
임계값 판단: 점수를 산점도로 그리면 약 0.3 부근에서 두 클래스가 갈려 그 값을 임계값으로 삼을 수 있다고 본다.
다음 예고: CNN 기반 이상 데이터 분류를 이어서 다룰 것이라고 밝힌다.