40분
VAE(Variational Autoencoder) 이상 탐지
Day 4: 이상 탐지 (비지도 학습)
VAE(Variational Autoencoder) 이상 탐지
비전 AI — 제조 외관검사 시스템 > Day 4: 이상 탐지 (비지도 학습)
학습 목표
VAE가 일반 Autoencoder와 다른 점(확률 분포 학습)을 이해한다 VAE의 재구성 오차 + KL 발산 손실을 구현할 수 있다 VAE가 더 안정적인 이상 탐지를 제공하는 이유를 파악한다
VAE: 확률적 이상 탐지
AE vs VAE
[Autoencoder]
입력 → Encoder → 고정 벡터 z → Decoder → 복원
[Variational Autoencoder]
입력 → Encoder → 평균(mu), 분산(sigma)
↓
z ~ N(mu, sigma) ← 확률 분포에서 샘플링
↓
Decoder → 복원
차이점:
AE: z = 고정값 → 잠재 공간 불균일
VAE: z = 확률분포 → 잠재 공간 부드럽고 연속적
→ 정상의 분포를 더 정확하게 모델링
→ 이상 탐지가 더 안정적에디터 로딩 중...
핵심 포인트
- • VAE는 잠재 공간을 확률 분포로 모델링하여 AE보다 안정적
- • VAE 손실 = 재구성 오차(MSE) + KL 발산(분포 정규화)
- • beta-VAE: beta를 조정하여 재구성 품질과 잠재 공간 정규화 균형
- • 재매개변수화 트릭으로 역전파가 가능한 샘플링 구현
AI로 학습하기 — 꿀팁
✅VAE 손실 함수 구현 점검AI 학습 팁
AI에게 VAE 이상 탐지 코드의 재구성 손실 + KL 발산 균형 및 reparameterization trick 구현을 리뷰받아 학습 불안정 원인을 사전에 점검하세요.
이 제조 이미지 VAE 이상 탐지 코드를 리뷰해줘. ELBO 손실에서 재구성 손실(BCE/MSE)과 KL 발산 항의 가중치 불균형으로 인한 posterior collapse 위험, reparameterization trick(z=mu+eps*std)에서 수치 안정성 문제(log_var 범위 클리핑 누락), KL annealing 미적용 시 초기 학습 불안정을 점검해줘.
이 팁이 도움이 됐나요?