사물인터넷(IoT)의 급속한 성장과 산업 시스템의 상호 연결성 증가는 엣지 디바이스에서 로컬로 이상 탐지를 수행해야 하는 중요한 필요성을 촉진하고 있습니다. 그러나 고급 딥러닝 모델이 요구하는 계산 능력과 엣지 하드웨어의 제한된 자원 간에는 상당한 격차가 존재하며, 이는 탐지 능력과 디바이스 내 가능성 사이에서 타협을 강요하는 경우가 많습니다. 이 격차를 해소하기 위해, 우리는 먼저 기대 최대화(EM) 알고리즘을 통합하여 완전 자동의 데이터 기반 임계값 결정을 가능하게 하는 Anomaly Transformer(AT)를 개선한 EM-AT 및 그 변형(EM-AT-bin)을 소개합니다. 베이지안 정보 기준(BIC) 추정기를 갖춘 EM-AT 모델은 SWaT, WADI, HDFS, OpenStack의 네 공개 데이터셋에서 각각 96.32%, 92.47%, 98.90%, 99.61%의 F₁ 점수로 최고 탐지 성능을 달성했습니다. EM-AT와 그 변형을 기반으로, 혼합 정밀도 양자화를 활용하여 계산 및 메모리 부담을 크게 줄이면서 탐지 정확도를 유지하는 엣지 최적화 양자화 변형인 Q-EM-AT 및 Q-EM-AT-bin을 제시합니다. 마지막으로, Q-EM-AT를 핵심 탐지기로 채택하여 탐지 성능과 계산 자원 소비 간 균형을 맞춘 경량 엣지 이상 탐지 프레임워크 TransEdge를 제안합니다. 종합적인 실험 결과 TransEdge는 자원 소비를 크게 줄이면서 경쟁력 있는 탐지 성능을 유지하여 SWaT, WADI, HDFS, OpenStack에서 각각 96.18%, 92.36%, 98.65%, 99.43%의 F₁ 점수를 달성했습니다.
Building similarity graph...
Analyzing shared references across papers
Loading...
Qinxuan Shi
Zhanglong Yang
Sicong Shao
Journal of Intelligent Information Systems
University of North Dakota
Building similarity graph...
Analyzing shared references across papers
Loading...
Shi 등(월요일)은 이 질문을 연구했습니다.
www.synapsesocial.com/papers/69df2a99e4eeef8a2a6afa87 — DOI: https://doi.org/10.1007/s10844-026-01043-w
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: