어떤 모임인가요?
Deep Learning 기반의 Anomaly Detection에 대한 스터디 모임입니다.
모임이 더 궁금하다면 모두의연구소 커뮤니티(https://join.slack.com/t/modulabs/shared_invite/zt-24wqh8x3q-N4AzqCVF_qD1x4RQeqFzAQ) 채널 #04_풀잎스쿨 에서 퍼실이에게 직접 질문할 수 있어요!
무엇을 얻을 수 있나요?
- Anomaly Detection에 대한 기초 주요 개념을 설명할 수 있다.
- 논문에서 제시하는 모델을 이해할 수 있다.
- 논문에서 제시하는 모델을 이해할 수 있다.
무엇을 공부하나요?
Anomaly Detection이 대표적인 논문들을 읽고 이해합니다.
어떤 사전지식이 필요한가요?
- Python을 이용한 프로그래밍 능력
- 이공계 대학의 기본적인 수학 지식: 선행대수, 미적분, 통계, 수치해석...
- 머신러닝 / 딥러닝에 대한 기초적인 지식
- 이공계 대학의 기본적인 수학 지식: 선행대수, 미적분, 통계, 수치해석...
- 머신러닝 / 딥러닝에 대한 기초적인 지식
이런 분들이 들으면 좋아요!
- Anomaly Detection에 관심이 있는 분
- 매주 2개의 논문을 읽을 수 있는 분
- 매주 2개의 논문을 읽을 수 있는 분
이런 분들은 신청하기 전 다시 한 번 고민해보세요!
- 프로그래밍을 해보지 않은 분
- 너무 바쁘신 분
- 너무 바쁘신 분
학습유형
사전학습
모임 운영 방식
- 다같이 논문에 대한 내용을 미리 읽습니다.
- 해당 주차의 발표를 맡으신 분이 논문에 대한 발표를 준비합니다. (선택사항: 코드 분석도 가능하면 준비합니다.)
- 발표를 하고, 서로 부족한 부분을 토론하는 형식으로 진행됩니다.
- 해당 주차의 발표를 맡으신 분이 논문에 대한 발표를 준비합니다. (선택사항: 코드 분석도 가능하면 준비합니다.)
- 발표를 하고, 서로 부족한 부분을 토론하는 형식으로 진행됩니다.
커리큘럼
1주차
2주차
3주차
4주차
5주차
6주차
7주차
8주차
9주차
10주차
11주차
Introduction to Course
1) Tutorials for Deep Learning for Anomaly Detection 청취
... KDD 2020 : https://sites.google.com/view/kdd2020deepeye/home
... WSDM 2021 : https://sites.google.com/site/gspangsite/wsdm21_tutorial
2) 자기 소개, 과목소개, 향후 발표 담당
1) Tutorials for Deep Learning for Anomaly Detection 청취
... KDD 2020 : https://sites.google.com/view/kdd2020deepeye/home
... WSDM 2021 : https://sites.google.com/site/gspangsite/wsdm21_tutorial
2) 자기 소개, 과목소개, 향후 발표 담당
2주차
1) Traditional Algorithms 소개
.. Classification, Distance-based, Statistical Models
2) Deep One Class (Deep OC)
.. Deep Support Vector Data Description (Deep SVDD) [Ruff et al., 2018]
.. Classification, Distance-based, Statistical Models
2) Deep One Class (Deep OC)
.. Deep Support Vector Data Description (Deep SVDD) [Ruff et al., 2018]
3주차
1) AutoEncoder(AE)
.. Replicator neural network: Hawkins, Simon, et al. "Outlier detection using replicator neural networks.“ In: DaWaK. 2002.
.. Ensemble method: Chen, Jinghui, et al. "Outlier detection with autoencoder ensembles.“ In: SDM. 2017.
.. Robust deep autoencoders: Zhou, Chong, et al. "Anomaly detection with robust deep autoencoders." In: KDD. 2017.
.. Replicator neural network: Hawkins, Simon, et al. "Outlier detection using replicator neural networks.“ In: DaWaK. 2002.
.. Ensemble method: Chen, Jinghui, et al. "Outlier detection with autoencoder ensembles.“ In: SDM. 2017.
.. Robust deep autoencoders: Zhou, Chong, et al. "Anomaly detection with robust deep autoencoders." In: KDD. 2017.
4주차
Variational AutoEncoder (VAE)
.. An and Cho, 2015: http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf
.. Univariate time series (Donut): Xu et al. 2018. https://arxiv.org/pdf/1802.03903.pdf
.. 참고 자료: Generative Models I/II (UMich - EECS498)
.. An and Cho, 2015: http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf
.. Univariate time series (Donut): Xu et al. 2018. https://arxiv.org/pdf/1802.03903.pdf
.. 참고 자료: Generative Models I/II (UMich - EECS498)
5주차
Generative Adversarial Network (GAN)-based approaches (1)
1) AnoGAN
.. Schlegl et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." In: IPMI. Springer, Cham, 2017.
2) f-AnoGAN
.. Schlegl et al. "f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks." Medical image analysis 54 (2019): 30-44.
1) AnoGAN
.. Schlegl et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." In: IPMI. Springer, Cham, 2017.
2) f-AnoGAN
.. Schlegl et al. "f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks." Medical image analysis 54 (2019): 30-44.
6주차
GAN-based Approaches (2)
1) AE-GAN
.. Akcay et al. 2018. GANomaly: Semi-supervised anomaly detection via adversarial training
2) Efficient GAN-Based Anomaly Detection (EGBAD)
.. Zenati et al. 2018. Efficient GAN-Based Anomaly Detection. arXiv:1802.06222.
1) AE-GAN
.. Akcay et al. 2018. GANomaly: Semi-supervised anomaly detection via adversarial training
2) Efficient GAN-Based Anomaly Detection (EGBAD)
.. Zenati et al. 2018. Efficient GAN-Based Anomaly Detection. arXiv:1802.06222.
7주차
Flow-based Deep Generative Models
.. https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html
.. KDD2020 DLAD Tutorial
.. https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html
.. KDD2020 DLAD Tutorial
8주차
Semi-Supervised Learning
1) Deep SAD
.. Ruff et al. 2019. Deep Semi-Supervised Anomaly Detection
2) Deviation Networks
.. Pang et al. 2019. Deep anomaly detection with deviation networks.
1) Deep SAD
.. Ruff et al. 2019. Deep Semi-Supervised Anomaly Detection
2) Deviation Networks
.. Pang et al. 2019. Deep anomaly detection with deviation networks.
9주차
Transfer Learning
1) Data Augmentation
.. RobustTAD: Gao et al. 2021. Robust time series anomaly detection via decomposition and convolutional neural networks
2) Representation Transfer
.. Muaz et al. 2019. Transfer Learning from an Auxiliary Discriminative Task for Unsupervised Anomaly Detection
1) Data Augmentation
.. RobustTAD: Gao et al. 2021. Robust time series anomaly detection via decomposition and convolutional neural networks
2) Representation Transfer
.. Muaz et al. 2019. Transfer Learning from an Auxiliary Discriminative Task for Unsupervised Anomaly Detection
10주차
Anomaly Detection for Autonomous Vehicles
1) Scence Novelty Detection
.. Rees et al. 2019. Modular novelty detection system for driving scenarios
2) Motion Novelty Detection
.. PredNet: Lotter et al. 2017. Deep predictive coding network for video prediction and unsupervised learning
.. Sing et al. 2020. Anomalous motion detection on highway using deep learning
3) Anomalies from Uncertainty
.. Loquercio et al. 2020.
1) Scence Novelty Detection
.. Rees et al. 2019. Modular novelty detection system for driving scenarios
2) Motion Novelty Detection
.. PredNet: Lotter et al. 2017. Deep predictive coding network for video prediction and unsupervised learning
.. Sing et al. 2020. Anomalous motion detection on highway using deep learning
3) Anomalies from Uncertainty
.. Loquercio et al. 2020.
11주차
1) WSDM21 DLAD Tutorial 청취
2) 마무리
2) 마무리
교재 / 학습자료 / 준비물
- 해당 Papers
- Anomaly Detection Learning Resources: https://github.com/yzhao062/anomaly-detection-resources
- Business-Analytics(고려대, 강필성 교수): https://github.com/pilsung-kang/Business-Analytics-IME654-
- Tutorials
.. Deep Learning for Anomaly Detection, KDD 2020, [80][HTML], [Video]
.. Deep Learning for Anomaly Detection, WSDM 2020, [60][HTML]
- Anomaly Detection Learning Resources: https://github.com/yzhao062/anomaly-detection-resources
- Business-Analytics(고려대, 강필성 교수): https://github.com/pilsung-kang/Business-Analytics-IME654-
- Tutorials
.. Deep Learning for Anomaly Detection, KDD 2020, [80][HTML], [Video]
.. Deep Learning for Anomaly Detection, WSDM 2020, [60][HTML]
첫 시간 전 준비사항
- 첫 주차의 강의를 듣고 오기
퍼실이 소개
이상헌
#딥Anomaly Detection
자기 소개 및 개설 동기
안녕하세요. 최근 딥러닝 기반 Anomaly Detection에 대한 관심이 많이 높아지고 있습니다. 저도 제가 수행하는 자동차와 관련된 연구에 이를 적용해야 하게 되었고, 함께 관심있는 분과 같이 공부하면 더 효과적일 것 같아 풀잎스쿨을 열었습니다.
이론적인 부분만 공부하고자 하는 사람은 논문을 읽고 발표하는 데까지, 그리고 구현까지 의지가 있는 분은 코드 분석까지 하면 됩니다. 많은 분의 참여를 바라마지 않습니다.
[퍼실 경력]
- 풀잎14기. GAN 기초 실전 코스
- 풀잎11기. Deep Learning? 응(Ng)
- 풀잎10기. Keras 창시자에게 배우는 딥러닝
소속
국민대학교
풀잎스쿨 / LAB 참여 이력
LAB 딥랩논문반 참여
LAB 딥랩논문반 (season01) 참여
풀잎18기 Anomaly Detection 입문 (논문으로 입문하기) 퍼실
풀잎14기 GAN 기초 실전 코스 퍼실
풀잎11기 Deep Learning? 응(Ng) 퍼실
풀잎10기 Keras 창시자에게 배우는 딥러닝 퍼실
풀잎15기 주린이를 위한 기업분석 참여
풀잎스쿨 참여 주의사항
Q. 풀잎스쿨은 강의인가요?
풀잎스쿨은 학원식 강의가 아닌, 플립러닝(flipped learning) 방식으로 참여자들이 함께 만들어 나가는 스터디 모임이에요. 따라서 출석과 사전 학습을 성실히 수행하고, 공부한 것을 함께 나눌 의지가 있으시다면 그 어디보다 많은 것을 얻어가실 수 있답니다!
Q. '퍼실이'는 누구인가요?
퍼실이는 함께 공부하는 스터디 리더예요. 강사가 아니어서 강의를 하지는 않지만, 커리큘럼을 기획하고 모임을 진행한답니다. 선의와 공유의 마음으로 기꺼이 지원해 모임을 이끌어 주시는 만큼, 퍼실이와 함께 따뜻한 모임을 함께 만들어 주세요. :)
부득이하게 모임 참석이 어렵거나 모임에 늦는 경우처럼, 원활한 참여가 어려운 경우에는 퍼실이가 미리 인지하고 준비하실 수 있도록 반드시 알려주세요!
Q. 사회적 거리두기 단계에 따라 안전하게 진행되나요?
모두의연구소는 사회적 거리두기 단계별 방역 조치를 지켜, 모든 연구원들이 안전한 환경에서 편안히 활동하실 수 있도록 노력하고 있습니다.
오프라인 모임 또한 사회적 거리두기 단계별 방역 조치에 따라 온라인으로 진행될 수 있습니다. 다만, 방역 조치상 오프라인 모임이 가능한 경우 오프라인 진행을 원칙으로 합니다. 추가적으로, 모임의 질을 위해 온•오프라인 병행은 '지양'하고 있습니다.
풀잎스쿨에는 온라인으로 진행되는 다양한 과정이 있답니다. 시간적•거리적 제약으로 오프라인 참여가 어려우신 분들은 온라인 과정을 주목해 주세요! :)
Q. 온라인 모임에 참여할 때 캠과 마이크를 반드시 켜야 하나요?
네. 모두의연구소는 연구원 분들이 최적의 환경에서 학습과 연구에 몰입하실 수 있는 환경 조성을 최우선으로 하고 있습니다. 따라서, 온라인 모임 시에는 토론과 질문이 빈번한 학습 환경에서의 몰입과 매끄러운 진행을 위해, 반드시 캠과 마이크를 켜서 대화에 참여하도록 안내하고 있습니다.
캠과 마이크를 켤 수 없는 경우에는 아쉽지만 참여를 제한하고 있으니, 반드시 캠과 마이크 기능이 포함된 도구를 준비해 주세요. 원활한 의사소통을 위해 자택 등의 조용한 공간에서 참여해 주시면 감사드리겠습니다.
풀잎스쿨은 학원식 강의가 아닌, 플립러닝(flipped learning) 방식으로 참여자들이 함께 만들어 나가는 스터디 모임이에요. 따라서 출석과 사전 학습을 성실히 수행하고, 공부한 것을 함께 나눌 의지가 있으시다면 그 어디보다 많은 것을 얻어가실 수 있답니다!
Q. '퍼실이'는 누구인가요?
퍼실이는 함께 공부하는 스터디 리더예요. 강사가 아니어서 강의를 하지는 않지만, 커리큘럼을 기획하고 모임을 진행한답니다. 선의와 공유의 마음으로 기꺼이 지원해 모임을 이끌어 주시는 만큼, 퍼실이와 함께 따뜻한 모임을 함께 만들어 주세요. :)
부득이하게 모임 참석이 어렵거나 모임에 늦는 경우처럼, 원활한 참여가 어려운 경우에는 퍼실이가 미리 인지하고 준비하실 수 있도록 반드시 알려주세요!
Q. 사회적 거리두기 단계에 따라 안전하게 진행되나요?
모두의연구소는 사회적 거리두기 단계별 방역 조치를 지켜, 모든 연구원들이 안전한 환경에서 편안히 활동하실 수 있도록 노력하고 있습니다.
오프라인 모임 또한 사회적 거리두기 단계별 방역 조치에 따라 온라인으로 진행될 수 있습니다. 다만, 방역 조치상 오프라인 모임이 가능한 경우 오프라인 진행을 원칙으로 합니다. 추가적으로, 모임의 질을 위해 온•오프라인 병행은 '지양'하고 있습니다.
풀잎스쿨에는 온라인으로 진행되는 다양한 과정이 있답니다. 시간적•거리적 제약으로 오프라인 참여가 어려우신 분들은 온라인 과정을 주목해 주세요! :)
Q. 온라인 모임에 참여할 때 캠과 마이크를 반드시 켜야 하나요?
네. 모두의연구소는 연구원 분들이 최적의 환경에서 학습과 연구에 몰입하실 수 있는 환경 조성을 최우선으로 하고 있습니다. 따라서, 온라인 모임 시에는 토론과 질문이 빈번한 학습 환경에서의 몰입과 매끄러운 진행을 위해, 반드시 캠과 마이크를 켜서 대화에 참여하도록 안내하고 있습니다.
캠과 마이크를 켤 수 없는 경우에는 아쉽지만 참여를 제한하고 있으니, 반드시 캠과 마이크 기능이 포함된 도구를 준비해 주세요. 원활한 의사소통을 위해 자택 등의 조용한 공간에서 참여해 주시면 감사드리겠습니다.
환불정책
첫 모임 시작 전날까지 취소 및 전액 환불이 가능합니다.
환불 신청은 홈페이지 상단의 “문의글 작성” 에서 가능합니다.
환불 신청은 홈페이지 상단의 “문의글 작성” 에서 가능합니다.
Anomaly Detection 입문 (논문으로 입문하기)
모임시작
2022년 01월 15일
모임일시
매주 토요일 10:30 ~ 12:30
모임장소
온라인캠퍼스
모집기간
2021년 12월 12일 ~ 2022년 01월 14일
모집인원
15명
모집방법
신청 후 선발
165,000원
📢 브라우저 창이나 탭을 동시에 한 개 이상 열어서 모임을 신청하는 경우 결제 오류가 발생할 수 있으니 하나씩 신청 부탁드려요!
모집 마감된 모임의 경우 '공석 알림 신청'을 해주시면, 추후 취소하는 참여자가 있는 경우에 이메일로 알림을 보내드립니다.
"모임이 더 궁금하다면 모두의연구소 커뮤니티 채널 #04_풀잎스쿨 에서 퍼실이에게 직접 질문할 수 있어요!"
Anomaly Detection 입문 (논문으로 입문하기)
모임시작
2022년 01월 15일
모임일시
매주 토요일 10:30 ~ 12:30
모임장소
온라인캠퍼스
모집기간
2021년 12월 12일 ~ 2022년 01월 14일
모집인원
15명
모집방법
신청 후 선발
165,000원
📢 브라우저 창이나 탭을 동시에 한 개 이상 열어서 모임을 신청하는 경우 결제 오류가 발생할 수 있으니 하나씩 신청 부탁드려요!
모집 마감된 모임의 경우 '공석 알림 신청'을 해주시면, 추후 취소하는 참여자가 있는 경우에 이메일로 알림을 보내드립니다.
"모임이 더 궁금하다면 모두의연구소 커뮤니티 채널 #04_풀잎스쿨 에서 퍼실이에게 직접 질문할 수 있어요!"
어떤 모임인가요?
Deep Learning 기반의 Anomaly Detection에 대한 스터디 모임입니다.
모임이 더 궁금하다면 모두의연구소 커뮤니티(https://join.slack.com/t/modulabs/shared_invite/zt-24wqh8x3q-N4AzqCVF_qD1x4RQeqFzAQ) 채널 #04_풀잎스쿨 에서 퍼실이에게 직접 질문할 수 있어요!
무엇을 얻을 수 있나요?
- Anomaly Detection에 대한 기초 주요 개념을 설명할 수 있다.
- 논문에서 제시하는 모델을 이해할 수 있다.
- 논문에서 제시하는 모델을 이해할 수 있다.
무엇을 공부하나요?
Anomaly Detection이 대표적인 논문들을 읽고 이해합니다.
어떤 사전지식이 필요한가요?
- Python을 이용한 프로그래밍 능력
- 이공계 대학의 기본적인 수학 지식: 선행대수, 미적분, 통계, 수치해석...
- 머신러닝 / 딥러닝에 대한 기초적인 지식
- 이공계 대학의 기본적인 수학 지식: 선행대수, 미적분, 통계, 수치해석...
- 머신러닝 / 딥러닝에 대한 기초적인 지식
이런 분들이 들으면 좋아요!
- Anomaly Detection에 관심이 있는 분
- 매주 2개의 논문을 읽을 수 있는 분
- 매주 2개의 논문을 읽을 수 있는 분
이런 분들은 신청하기 전 다시 한 번 고민해보세요!
- 프로그래밍을 해보지 않은 분
- 너무 바쁘신 분
- 너무 바쁘신 분
학습유형
사전학습
모임 운영 방식
- 다같이 논문에 대한 내용을 미리 읽습니다.
- 해당 주차의 발표를 맡으신 분이 논문에 대한 발표를 준비합니다. (선택사항: 코드 분석도 가능하면 준비합니다.)
- 발표를 하고, 서로 부족한 부분을 토론하는 형식으로 진행됩니다.
- 해당 주차의 발표를 맡으신 분이 논문에 대한 발표를 준비합니다. (선택사항: 코드 분석도 가능하면 준비합니다.)
- 발표를 하고, 서로 부족한 부분을 토론하는 형식으로 진행됩니다.
커리큘럼
1주차
2주차
3주차
4주차
5주차
6주차
7주차
8주차
9주차
10주차
11주차
Introduction to Course
1) Tutorials for Deep Learning for Anomaly Detection 청취
... KDD 2020 : https://sites.google.com/view/kdd2020deepeye/home
... WSDM 2021 : https://sites.google.com/site/gspangsite/wsdm21_tutorial
2) 자기 소개, 과목소개, 향후 발표 담당
1) Tutorials for Deep Learning for Anomaly Detection 청취
... KDD 2020 : https://sites.google.com/view/kdd2020deepeye/home
... WSDM 2021 : https://sites.google.com/site/gspangsite/wsdm21_tutorial
2) 자기 소개, 과목소개, 향후 발표 담당
2주차
1) Traditional Algorithms 소개
.. Classification, Distance-based, Statistical Models
2) Deep One Class (Deep OC)
.. Deep Support Vector Data Description (Deep SVDD) [Ruff et al., 2018]
.. Classification, Distance-based, Statistical Models
2) Deep One Class (Deep OC)
.. Deep Support Vector Data Description (Deep SVDD) [Ruff et al., 2018]
3주차
1) AutoEncoder(AE)
.. Replicator neural network: Hawkins, Simon, et al. "Outlier detection using replicator neural networks.“ In: DaWaK. 2002.
.. Ensemble method: Chen, Jinghui, et al. "Outlier detection with autoencoder ensembles.“ In: SDM. 2017.
.. Robust deep autoencoders: Zhou, Chong, et al. "Anomaly detection with robust deep autoencoders." In: KDD. 2017.
.. Replicator neural network: Hawkins, Simon, et al. "Outlier detection using replicator neural networks.“ In: DaWaK. 2002.
.. Ensemble method: Chen, Jinghui, et al. "Outlier detection with autoencoder ensembles.“ In: SDM. 2017.
.. Robust deep autoencoders: Zhou, Chong, et al. "Anomaly detection with robust deep autoencoders." In: KDD. 2017.
4주차
Variational AutoEncoder (VAE)
.. An and Cho, 2015: http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf
.. Univariate time series (Donut): Xu et al. 2018. https://arxiv.org/pdf/1802.03903.pdf
.. 참고 자료: Generative Models I/II (UMich - EECS498)
.. An and Cho, 2015: http://dm.snu.ac.kr/static/docs/TR/SNUDM-TR-2015-03.pdf
.. Univariate time series (Donut): Xu et al. 2018. https://arxiv.org/pdf/1802.03903.pdf
.. 참고 자료: Generative Models I/II (UMich - EECS498)
5주차
Generative Adversarial Network (GAN)-based approaches (1)
1) AnoGAN
.. Schlegl et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." In: IPMI. Springer, Cham, 2017.
2) f-AnoGAN
.. Schlegl et al. "f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks." Medical image analysis 54 (2019): 30-44.
1) AnoGAN
.. Schlegl et al. "Unsupervised anomaly detection with generative adversarial networks to guide marker discovery." In: IPMI. Springer, Cham, 2017.
2) f-AnoGAN
.. Schlegl et al. "f-AnoGAN: Fast unsupervised anomaly detection with generative adversarial networks." Medical image analysis 54 (2019): 30-44.
6주차
GAN-based Approaches (2)
1) AE-GAN
.. Akcay et al. 2018. GANomaly: Semi-supervised anomaly detection via adversarial training
2) Efficient GAN-Based Anomaly Detection (EGBAD)
.. Zenati et al. 2018. Efficient GAN-Based Anomaly Detection. arXiv:1802.06222.
1) AE-GAN
.. Akcay et al. 2018. GANomaly: Semi-supervised anomaly detection via adversarial training
2) Efficient GAN-Based Anomaly Detection (EGBAD)
.. Zenati et al. 2018. Efficient GAN-Based Anomaly Detection. arXiv:1802.06222.
7주차
Flow-based Deep Generative Models
.. https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html
.. KDD2020 DLAD Tutorial
.. https://lilianweng.github.io/lil-log/2018/10/13/flow-based-deep-generative-models.html
.. KDD2020 DLAD Tutorial
8주차
Semi-Supervised Learning
1) Deep SAD
.. Ruff et al. 2019. Deep Semi-Supervised Anomaly Detection
2) Deviation Networks
.. Pang et al. 2019. Deep anomaly detection with deviation networks.
1) Deep SAD
.. Ruff et al. 2019. Deep Semi-Supervised Anomaly Detection
2) Deviation Networks
.. Pang et al. 2019. Deep anomaly detection with deviation networks.
9주차
Transfer Learning
1) Data Augmentation
.. RobustTAD: Gao et al. 2021. Robust time series anomaly detection via decomposition and convolutional neural networks
2) Representation Transfer
.. Muaz et al. 2019. Transfer Learning from an Auxiliary Discriminative Task for Unsupervised Anomaly Detection
1) Data Augmentation
.. RobustTAD: Gao et al. 2021. Robust time series anomaly detection via decomposition and convolutional neural networks
2) Representation Transfer
.. Muaz et al. 2019. Transfer Learning from an Auxiliary Discriminative Task for Unsupervised Anomaly Detection
10주차
Anomaly Detection for Autonomous Vehicles
1) Scence Novelty Detection
.. Rees et al. 2019. Modular novelty detection system for driving scenarios
2) Motion Novelty Detection
.. PredNet: Lotter et al. 2017. Deep predictive coding network for video prediction and unsupervised learning
.. Sing et al. 2020. Anomalous motion detection on highway using deep learning
3) Anomalies from Uncertainty
.. Loquercio et al. 2020.
1) Scence Novelty Detection
.. Rees et al. 2019. Modular novelty detection system for driving scenarios
2) Motion Novelty Detection
.. PredNet: Lotter et al. 2017. Deep predictive coding network for video prediction and unsupervised learning
.. Sing et al. 2020. Anomalous motion detection on highway using deep learning
3) Anomalies from Uncertainty
.. Loquercio et al. 2020.
11주차
1) WSDM21 DLAD Tutorial 청취
2) 마무리
2) 마무리
교재 / 학습자료 / 준비물
- 해당 Papers
- Anomaly Detection Learning Resources: https://github.com/yzhao062/anomaly-detection-resources
- Business-Analytics(고려대, 강필성 교수): https://github.com/pilsung-kang/Business-Analytics-IME654-
- Tutorials
.. Deep Learning for Anomaly Detection, KDD 2020, [80][HTML], [Video]
.. Deep Learning for Anomaly Detection, WSDM 2020, [60][HTML]
- Anomaly Detection Learning Resources: https://github.com/yzhao062/anomaly-detection-resources
- Business-Analytics(고려대, 강필성 교수): https://github.com/pilsung-kang/Business-Analytics-IME654-
- Tutorials
.. Deep Learning for Anomaly Detection, KDD 2020, [80][HTML], [Video]
.. Deep Learning for Anomaly Detection, WSDM 2020, [60][HTML]
첫 시간 전 준비사항
- 첫 주차의 강의를 듣고 오기
퍼실이 소개
이상헌
#딥Anomaly Detection
자기소개 및 개설동기
안녕하세요. 최근 딥러닝 기반 Anomaly Detection에 대한 관심이 많이 높아지고 있습니다. 저도 제가 수행하는 자동차와 관련된 연구에 이를 적용해야 하게 되었고, 함께 관심있는 분과 같이 공부하면 더 효과적일 것 같아 풀잎스쿨을 열었습니다.
이론적인 부분만 공부하고자 하는 사람은 논문을 읽고 발표하는 데까지, 그리고 구현까지 의지가 있는 분은 코드 분석까지 하면 됩니다. 많은 분의 참여를 바라마지 않습니다.
[퍼실 경력]
- 풀잎14기. GAN 기초 실전 코스
- 풀잎11기. Deep Learning? 응(Ng)
- 풀잎10기. Keras 창시자에게 배우는 딥러닝
이론적인 부분만 공부하고자 하는 사람은 논문을 읽고 발표하는 데까지, 그리고 구현까지 의지가 있는 분은 코드 분석까지 하면 됩니다. 많은 분의 참여를 바라마지 않습니다.
[퍼실 경력]
- 풀잎14기. GAN 기초 실전 코스
- 풀잎11기. Deep Learning? 응(Ng)
- 풀잎10기. Keras 창시자에게 배우는 딥러닝
소속
국민대학교
풀잎스쿨 / LAB 참여 이력
LAB 딥랩논문반 참여
LAB 딥랩논문반 (season01) 참여
풀잎18기 Anomaly Detection 입문 (논문으로 입문하기) 퍼실
풀잎14기 GAN 기초 실전 코스 퍼실
풀잎11기 Deep Learning? 응(Ng) 퍼실
풀잎10기 Keras 창시자에게 배우는 딥러닝 퍼실
풀잎15기 주린이를 위한 기업분석 참여
풀잎스쿨 참여 주의사항
Q. 풀잎스쿨은 강의인가요?
풀잎스쿨은 학원식 강의가 아닌, 플립러닝(flipped learning) 방식으로 참여자들이 함께 만들어 나가는 스터디 모임이에요. 따라서 출석과 사전 학습을 성실히 수행하고, 공부한 것을 함께 나눌 의지가 있으시다면 그 어디보다 많은 것을 얻어가실 수 있답니다!
Q. '퍼실이'는 누구인가요?
퍼실이는 함께 공부하는 스터디 리더예요. 강사가 아니어서 강의를 하지는 않지만, 커리큘럼을 기획하고 모임을 진행한답니다. 선의와 공유의 마음으로 기꺼이 지원해 모임을 이끌어 주시는 만큼, 퍼실이와 함께 따뜻한 모임을 함께 만들어 주세요. :)
부득이하게 모임 참석이 어렵거나 모임에 늦는 경우처럼, 원활한 참여가 어려운 경우에는 퍼실이가 미리 인지하고 준비하실 수 있도록 반드시 알려주세요!
Q. 사회적 거리두기 단계에 따라 안전하게 진행되나요?
모두의연구소는 사회적 거리두기 단계별 방역 조치를 지켜, 모든 연구원들이 안전한 환경에서 편안히 활동하실 수 있도록 노력하고 있습니다.
오프라인 모임 또한 사회적 거리두기 단계별 방역 조치에 따라 온라인으로 진행될 수 있습니다. 다만, 방역 조치상 오프라인 모임이 가능한 경우 오프라인 진행을 원칙으로 합니다. 추가적으로, 모임의 질을 위해 온•오프라인 병행은 '지양'하고 있습니다.
풀잎스쿨에는 온라인으로 진행되는 다양한 과정이 있답니다. 시간적•거리적 제약으로 오프라인 참여가 어려우신 분들은 온라인 과정을 주목해 주세요! :)
Q. 온라인 모임에 참여할 때 캠과 마이크를 반드시 켜야 하나요?
네. 모두의연구소는 연구원 분들이 최적의 환경에서 학습과 연구에 몰입하실 수 있는 환경 조성을 최우선으로 하고 있습니다. 따라서, 온라인 모임 시에는 토론과 질문이 빈번한 학습 환경에서의 몰입과 매끄러운 진행을 위해, 반드시 캠과 마이크를 켜서 대화에 참여하도록 안내하고 있습니다.
캠과 마이크를 켤 수 없는 경우에는 아쉽지만 참여를 제한하고 있으니, 반드시 캠과 마이크 기능이 포함된 도구를 준비해 주세요. 원활한 의사소통을 위해 자택 등의 조용한 공간에서 참여해 주시면 감사드리겠습니다.
풀잎스쿨은 학원식 강의가 아닌, 플립러닝(flipped learning) 방식으로 참여자들이 함께 만들어 나가는 스터디 모임이에요. 따라서 출석과 사전 학습을 성실히 수행하고, 공부한 것을 함께 나눌 의지가 있으시다면 그 어디보다 많은 것을 얻어가실 수 있답니다!
Q. '퍼실이'는 누구인가요?
퍼실이는 함께 공부하는 스터디 리더예요. 강사가 아니어서 강의를 하지는 않지만, 커리큘럼을 기획하고 모임을 진행한답니다. 선의와 공유의 마음으로 기꺼이 지원해 모임을 이끌어 주시는 만큼, 퍼실이와 함께 따뜻한 모임을 함께 만들어 주세요. :)
부득이하게 모임 참석이 어렵거나 모임에 늦는 경우처럼, 원활한 참여가 어려운 경우에는 퍼실이가 미리 인지하고 준비하실 수 있도록 반드시 알려주세요!
Q. 사회적 거리두기 단계에 따라 안전하게 진행되나요?
모두의연구소는 사회적 거리두기 단계별 방역 조치를 지켜, 모든 연구원들이 안전한 환경에서 편안히 활동하실 수 있도록 노력하고 있습니다.
오프라인 모임 또한 사회적 거리두기 단계별 방역 조치에 따라 온라인으로 진행될 수 있습니다. 다만, 방역 조치상 오프라인 모임이 가능한 경우 오프라인 진행을 원칙으로 합니다. 추가적으로, 모임의 질을 위해 온•오프라인 병행은 '지양'하고 있습니다.
풀잎스쿨에는 온라인으로 진행되는 다양한 과정이 있답니다. 시간적•거리적 제약으로 오프라인 참여가 어려우신 분들은 온라인 과정을 주목해 주세요! :)
Q. 온라인 모임에 참여할 때 캠과 마이크를 반드시 켜야 하나요?
네. 모두의연구소는 연구원 분들이 최적의 환경에서 학습과 연구에 몰입하실 수 있는 환경 조성을 최우선으로 하고 있습니다. 따라서, 온라인 모임 시에는 토론과 질문이 빈번한 학습 환경에서의 몰입과 매끄러운 진행을 위해, 반드시 캠과 마이크를 켜서 대화에 참여하도록 안내하고 있습니다.
캠과 마이크를 켤 수 없는 경우에는 아쉽지만 참여를 제한하고 있으니, 반드시 캠과 마이크 기능이 포함된 도구를 준비해 주세요. 원활한 의사소통을 위해 자택 등의 조용한 공간에서 참여해 주시면 감사드리겠습니다.
환불정책
첫 모임 시작 전날까지 취소 및 전액 환불이 가능합니다.
환불 신청은 홈페이지 상단의 “문의글 작성” 에서 가능합니다.
환불 신청은 홈페이지 상단의 “문의글 작성” 에서 가능합니다.