• Proceedings of the KIEE Conference
• /
• 2007.04a
• /
• pp.307-309
• /
• 2007

SVDD의 scale prob1em을 해결하기 위하여, 학습 데이터를 sub-groupings하여 group 단위로 SVDD를 통해 학습함으로써 학습 시간을 줄이는, K-means clustering을 이용한 SVDD 방범(KMSVDD)이 제안되었다. 하지만 KMSVDD는 K-means clustering 알고리즘의 본질상 최적의 K값을 정하기 힘들다는 문제와, 동일한 데이터를 학습할지라도 clustered group이 램덤하게 형성되기 때문에 매번 학습의 결과가 달라지는 문제점이 있었다. 또한 데이터의 분포 상태와 관계없이 무조건 타원(dlliptic) 형태의 K개의 cluster로 나누기 때문에 각각의 나눠진 cluster들은 데이터 분포에 대한 특징을 나타내기 힘들게 된다. 이러한 문제점을 해결하기 위하여 본 논문에서는 데이터 분포에서 mode를 먼저 찾은 후 이 mode를 기준으로 clustering하는 Mean Shift clustering 방법을 이용한 SVDD를 제안하고자 한다. 제안된 알고리즘은 KMSVDD와 비교해 데이터 학습 속도에서는 큰 차이가 없으면서도 데이터의 분포 상태를 고려한 형태로 clustering 한 sub-group을 학습하므로 학습의 정확도가 일정하게 되며, 각각의 cluster는 데이터 분표의 특징을 포함하는 효과가 있다. 또한 Mean Shift Kernel의 bandwidth의 결정은 K-Means의 K와는 달리 어느 정도 여유를 갖고 결정되어도 학습 결과에는 차이가 없다. 다양한 데이터들을 이용한 모의실험을 통하여 위의 내용들을 검증하도록 한다.

• Proceedings of the Korean Society for Noise and Vibration Engineering Conference
• /
• 2011.04a
• /
• pp.224-229
• /
• 2011

In this paper, in order to improve safety of hybrid electric vehicle a fault detection algorithm is introduced. The proposed algorithm uses SVDD techniques. Two methods for learning a lot of data are used in this technique. One method is to learn the data incrementally. Another method is to remove the data that does not affect the next learning. Using lines connecting support vectors selection of removing data is made. Using this method, lot of computation time and storage can be saved while learning many data. A battery data of commercial hybrid electrical vehicle is used in this study. In the study fault boundary via SVDD is described and relevant algorithm for virtual fault data is verified. It takes some time to generate fault boundary, nevertheless once the boundary is given, fault diagnosis can be conducted in real time basis.

• Proceedings of the KIEE Conference
• /
• 2005.07d
• /
• pp.2903-2905
• /
• 2005

많은 경우, 부분 손상된 얼굴 영상을 복원해야 할 필요가 있다. 대표적인 예로는 감시카메라에 찍힌 범인의 얼굴 영상이 이에 속한다. 이런 경우 얼굴의 중요한 부분이 가려져 있기 때문에 자동 얼굴 인식 시스템이나 사람의 관찰로는 그 부분을 인식하기는 매우 어렵다. 이 논문에서는 어려움을 극복하기 위해 새롭게 개발된 SVDD기반 노이즈 제거 기법을 부분 손상된 얼굴 영상에 적용한 문제를 고려해 보았다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 2006.05a
• /
• pp.306-309
• /
• 2006

SVDD(support vector data description)는 one-class 서포트 벡터 학습 방법론 중 하나로 비정상 물체에서 정상 데이터를 구분하기 위해서 특징 공간에서 정의된 구를 이용하는 전략을 쓰는 방법론이다. 본 논문에서는 SVDD를 이용해서 노이즈가 섞인 비정상 데이터를 노이즈가 제거된 정상 데이터로 복원하는 방법에 대해서 논한다. 그리고 저해상도의 이미지를 고해상도의 이미지로 복원함으로써 본 논문의 방법론이 어떻게 실용적으로 적용되는지에 대해서 다룬다.

• KSII Transactions on Internet and Information Systems (TIIS)
• /
• v.9 no.3
• /
• pp.1173-1192
• /
• 2015

The Support Vector Data Description (SVDD) has achieved great success in anomaly detection, directly finding the optimal ball with a minimal radius and center, which contains most of the target data. The SVDD has some limited classification capability, because the hyper-sphere, even in feature space, can express only a limited region of the target class. This paper presents an anomaly detection algorithm for mitigating the limitations of the conventional SVDD by finding the minimum volume enclosing ellipsoid in the feature space. To evaluate the performance of the proposed approach, we tested it with intrusion detection applications. Experimental results show the prominence of the proposed approach for anomaly detection compared with the standard SVDD.

• Proceedings of the KIEE Conference
• /
• 2007.04a
• /
• pp.310-312
• /
• 2007

SVDD는 one-class 분류기법이지만, 다중 클래스 분류에도 적용될 수 있다. 이 때 타 클래스의 data가 고려 대상 클래스의 학습된 경계안에 들어오지 않도록 하기 위하여 negative data를 고려한 SVDD방법이 사용되어 왔다. 그러나 이 방법은, 고려해야 하는 데이터 수가 늘어남에 따라 학습에 소요되는 시간이 증가하게 되는 문제점을 가지고 있다. 본 논문에서는 negative data를 고려한 학습 시, SVDD대신 KMSVDD를 사용하고 negative data일 가능성이 없는 영역에 놓인 데이터를 제외하는 기법을 사용함으로써 학습시간의 증가를 완화하는 방법을 제안하고자 한다. 이를 통해서 대상 클래스에 속하지 않은 모든 data를 negative data로 고려하여 학습을 진행할 때 보다 빠른 시간에 유사한 결과를 얻을 수 있다. 몇 가지 모의실험을 통하여 그 효과를 검증하도록 한다.

• Proceedings of the Korean Information Science Society Conference
• /
• 2011.06c
• /
• pp.358-361
• /
• 2011

본 논문에서는 요주의 인물 식별 시스템에 직접적으로 적용이 가능한 실용적 차원의 정면 얼굴 탐지 시스템을 제안한다. 제안된 시스템은 개선된 피부색 탐지기를 통해 실시간으로 입력되는 영상의 이미지로부터 얼굴 탐지 범위를 축소하고, Viola 등의 단계형 분류기를 통해 얼굴 여부를 빠른 속도로 탐지함으로써 실시간 탐지가 가능케 하였다. 또한, 마스킹을 통하여 비 정면 얼굴들을 제거함으로써 정면 얼굴만을 보다 정확하게 탐지할 수 있으며, 정면 얼굴 데이터만으로 학습된 SVDD로 최종 출력을 검증하였다. 공인된 벤치마킹 데이터인 FEI Face Database을 사용하여 제안한 SVDD 기반의 정면 얼굴 탐지 시스템의 성능을 실험적으로 평가한다.

• Journal of Korean Institute of Architectural Sustainable Environment and Building Systems
• /
• v.12 no.6
• /
• pp.579-590
• /
• 2018

Anomaly detection on building energy consumption has been regarded as an effective tool to reduce energy saving on building operation and maintenance. However, it requires energy model and FDD expert for quantitative model approach or large amount of training data for qualitative/history data approach. Both method needs additional time and labors. This study propose a machine learning and data science approach to define faulty conditions on hourly building energy consumption with reducing data amount and input requirement. It suggests an application of Support Vector Data Description (SVDD) method on training normal condition of hourly building energy consumption incorporated with hourly outdoor air temperature and time integer in a week, 168 data points and identifying hourly abnormal condition in the next day. The result shows the developed model has a better performance when the ${\nu}$ (probability of error in the training set) is 0.05 and ${\gamma}$ (radius of hyper plane) 0.2. The model accuracy to identify anomaly operation ranges from 70% (10% increase anomaly) to 95% (20% decrease anomaly) for daily total (24 hours) and from 80% (10% decrease anomaly) to 10%(15% increase anomaly) for occupied hours, respectively.

• Journal of the Korea Institute of Information Security & Cryptology
• /
• v.31 no.6
• /
• pp.1181-1191
• /
• 2021

The pandemic has rapidly developed a non-face-to-face environment. However, the sudden transition to a non-face-to-face environment has led to new security issues in various areas. One of the new security issues is the security threat of insiders, and the zero trust security model is drawing attention again as a technology to defend against it.. Software Defined Perimeter (SDP) technology consists of various security factors, of which device validation is a technology that can realize zerotrust by monitoring insider usage behavior. But the current SDP specification does not provide a technology that can perform device validation.. Therefore, this paper proposes a device validation technology using SVDD-based abnormal behavior detection technology through user behavior monitoring in an SDP environment and presents a way to perform the device validation technology in the SDP environment by conducting performance evaluation.

• Proceedings of the Korean Information Science Society Conference
• /
• 2012.06a
• /
• pp.125-127
• /
• 2012

IT기술의 발달과 함께 학습자의 학습 성향, 능력, 환경 등을 인지하고 그에 적절한 서비스가 가능한 지능형 교육 시스템이 많은 관심을 받고 있다. 학습자에게 지능적이고 개인화된 서비스를 위해서는 학습자를 인지하기 위한 작업이 선행되어야 하며, 이 인지과정을 위해서는 학습자의 학습 과정에서 발생한 데이터를 수집하고 분석하게 된다. 하지만, 수집된 데이터가 학습자의 일관되지 못한 행위나 예측하지 못한 학습 성향을 포함하고 있다면, 그 결과를 신뢰하기 어렵다. 본 논문에서는 학습자에게서 수집된 데이터를 SVDD를 이용하여 가중치를 부여하고, 그 값을 인지과정에 활용한다. 실험에서는 홈 인테리어 교육 컨텐츠 기반에 학습자의 학습 행위에 대한 학습 성향을 진단하기 위해 DOLLS-HI를 이용하였고, 수집된 학습자의 데이터를 분석하여 전통적인 분석 방법 대비 제안하는 방법의 유효함을 확인하였다.