수중 음향 환경에서 몬테카를로 드롭아웃 및 가우시안 혼합 모델을 활용한 이상 음원 탐지 = Acoustic Novelty Detection Using Monte Carlo Dropout and Gaussian Mixture Model in Underwater Acoustic Environments

국문 초록 (Abstract)

본 논문에서는 수중 음향 환경에서 학습된 데이터분포를 벗어나는 이상 음원 탐지 방법을 제안한다.
구체적으로, 모델의 불확실성 추정을 위해 Monte Carlo dropout(MCDO)을 이용하여 모델의 예측에 대한 불확실성을 정량화하고, Gaussian Mixture Model(GMM)을 이용하여 정상 신호의 예측값 분포를 가우시안 분포로 모델링한다. 추정된 가우시안 혼합 모델과 입력 신호로부터 얻은 가우시안 혼합 모델사이의 거리를 재고, 이 값이 임계값(threshold)보다높은 경우 학습되지 않은 이상 신호로 탐지하는 프레임워크를 제안한다.

다국어 초록 (Multilingual Abstract)

In this paper, we propose a method for detecting novel acoustic signals that deviate from the learned data distribution in underwater acoustic environments.
Specifically, we utilize Monte Carlo dropout (MCDO) to quantify the uncertainty in the model's predictions and model the distribution of predictions for normal signals using a Gaussian Mixture Model (GMM). We measure the distance between the estimated GMM and the Gaussian mixture model obtained from the input signal. If this distance exceeds a predefined threshold, the signal is detected as an unlearned novelty signal, indicating that it deviates from the training data distribution. This framework offers a new approach to identifying acoustic anomalies by leveraging model uncertainty and the probabilistic modeling capabilities of GMMs.