Swift Hydra: Self-Reinforcing Generative Framework for Anomaly Detection with Multiple Mamba Models
Created by
- Haebom
Category
Empty
저자
Nguyen Do, Truc Nguyen, Malik Hassanaly, Raed Alharbi, Jung Taek Seo, My T. Thai
개요
본 논문은 기존 이상 탐지 모델의 주요 한계점인 미지의 이상 현상에 대한 일반화 성능 저하 문제를 해결하기 위해, 생성형 AI와 강화 학습(RL)을 기반으로 하는 새로운 이상 탐지 프레임워크인 Swift Hydra를 제안합니다. Swift Hydra는 생성 모델의 잠재 변수를 조작하는 RL 정책을 통해 기존 탐지 모델을 우회할 수 있는 다양한 새로운 이상 샘플을 생성하고, 이를 이용하여 탐지 모델을 강화합니다. 또한, Mixture of Experts(MoE) 구조를 가진 Mamba 모델을 통합하여 데이터 복잡도에 따라 Mamba 전문가의 수를 확장 가능하게 조정함으로써 다양한 특징 분포를 효율적으로 포착하면서 추론 시간을 유지합니다. ADBench 벤치마크 실험 결과, Swift Hydra는 다른 최첨단 이상 탐지 모델보다 우수한 성능을 보이는 동시에 빠른 추론 시간을 유지하는 것을 확인했습니다. 이를 통해 강화 학습과 생성형 AI를 통합하는 새로운 이상 탐지 패러다임을 제시합니다.
시사점, 한계점
•
시사점:
◦
생성형 AI와 강화 학습을 결합하여 이상 탐지 모델의 일반화 성능을 향상시키는 새로운 접근 방식 제시.
◦
미지의 이상 현상에 대한 탐지 성능 향상.
◦
Mixture of Experts(MoE) 기반의 Mamba 모델을 활용하여 모델의 확장성 및 효율성 증대.
◦
ADBench 벤치마크에서 SOTA 성능 달성.
•
한계점:
◦
제안된 프레임워크의 실제 시스템 적용 및 안정성에 대한 추가적인 연구 필요.
◦
ADBench 벤치마크 외 다른 데이터셋에 대한 성능 평가 필요.
◦
Mamba 모델의 MoE 구조 최적화에 대한 추가적인 연구 필요.
◦
강화 학습 과정의 계산 비용 및 학습 시간에 대한 고찰 필요.
