선정배경
- 식물의 병해충을 탐지하기 위해 시간에 따라 변하는 다변량 데이터(Multivariate time series data)를 2D 이미지(2D image)로 변환하여 시각화함으로서 이상치(병해충)탐지가 가능하도록 하는 것이 목표이다.
- 가능한 빨리 비정상 상황이 있을때 특정 시간 포인트를 탐지하는 것을 목표로 한다.
Overview
- Multivariate time series imaging은 다변량 시계열 데이터를 이미지로 변환하는 과정을 말함
- 이는 시계열 데이터의 복잡한 패턴과 관계를 시각화하는 것을 목적으로함
손실함수
- GAN(Generative Adversarial Networks, 생성적 적대 신경망)에서는 두 가지 중요한 손실함수(loss function)를 사용합니다
- adversarial loss(적대적 손실)과 reconstruction loss(재구성 손실)을 사용
1. Adversarial Loss (적대적 손실):
- GAN은 생성자(Generator)와 판별자(Discriminator) 두 개의 신경망으로 구성됩니다.
- 생성자는 진짜와 같은 데이터를 만들어내는 것을 목표로 합니다.
- 판별자는 생성자가 만든 가짜 데이터와 실제 데이터를 구별하는 것을 목표로 합니다.
- Adversarial Loss는 판별자가 얼마나 잘 구별하는지(진짜를 진짜로, 가짜를 가짜로 인식하는지)를 측정합니다.
- 생성자는 이 손실을 높이려 하고(판별자를 속이려 하고), 판별자는 이 손실을 낮추려 합니다(정확히 판별하려 하고).
2. Reconstruction Loss (재구성 손실):
- 특정 GAN 변형에서(예: Autoencoder 기반의 GAN), 입력 데이터를 재구성하는 능력도 중요합니다.
- 재구성 손실은 생성자가 원본 데이터를 얼마나 정확히 복제하는지를 측정합니다.
- 원본 데이터와 생성된 데이터의 차이(보통 L1 또는 L2 손실로 측정)를 최소화하는 것이 목표입니다.
adversarial loss는 생성자와 판별자 사이의 적대적 게임에서 발생하며, 생성된 데이터의 진위를 판별하는 데 집중합니다.
반면에, reconstruction loss는 데이터의 복제 정확도를 측정하고, 원본 데이터와 생성된 데이터 사이의 차이를 최소화하는 데 초점을 맞춥니다.
결과적으로, 이 두 손실을 적절히 조화시키는 것이 GAN 모델의 성능을 결정하는 중요한 요소입니다.
