부분 지식에 기반한 데이터 주도 이벤트 탐지: 숨겨진 구조 반지도 학습 방법

데이터 수집 및 데이터 분석 기술인 센서 네트워크와 머신 러닝의 발전 덕분에 최근 데이터 주도 이벤트 탐지가 복잡한 시스템, 특히 상당한 확률적 및 동적 행동을 보이는 시스템을 다루는 데 장점을 보여주었습니다. 그러나 기존 방법들은 보통 지도 학습 프레임워크를 채택하고 학습 단계에서 명시적인 전문가 라벨링에 의존하는데, 이는 많은 상황에서 비용이 많이 들고 비현실적입니다. 이 연구에서는 부분적인 전문가 지식만 요구하는 새로운 데이터 주도 이벤트 탐지 방법인 숨겨진 구조 반지도 기계(HS 3 M)를 제안합니다. 핵심 아이디어는 비라벨 데이터와 부분적으로 라벨이 있는 데이터를 큰 경계 학습 목표에 결합하여 지도학습, 반지도학습 및 숨겨진 구조가 있는 학습 간의 격차를 메우는 것입니다. 추가 학습 항목이 문제를 비볼록하게 만들기 때문에 어려움이 발생합니다. 학습 목표를 최적화하기 위해 파라메트릭 이중 최적화 절차(PDOP)라는 새로운 전역 최적화 알고리즘을 확립하며, 파라메트릭 이중 문제가 국소 명시적 솔루션을 가지며 해당 최적성이 숨겨진 변수에서 볼록함을 보여줍니다. 제안된 접근법은 전력 분배 네트워크 이벤트 탐지에 적용되며, 그 결과 HS 3 M과 새로운 전역 최적화 알고리즘의 효과성을 입증합니다.