Manual feature engineering requires significant domain knowledge and data-specific expertise, which is also highly time-consuming. Therefore, over the past few decades, deep learning has been utilized to solve problems in various research domains, such as image classification and time series analysis. Deep learning models have shown superior performance in extracting and learning features automatically from vast amounts of data to solve the given problem as effectively as possible. However, because big data consists of various data formats and types (e.g., image, time series, multi-modal, etc.), the most significant aspect of performance optimization is to use appropriate deep layers and learning methods.Given a problem, how does the deep feature learning model target certain features? To detect multivariate time series anomalies and intrusions, for example, we need to build a model that focuses on time-dependent features and correlations between different time series. At the same time, image classification requires the model to capture patterns that can distinguish between classes.In this dissertation, we focus on answering the question by introducing and developing diverse models that consider the following domains: multivariate time series intrusion and anomaly detection and fake multimedia detection.We demonstrate that our work can offer efficient deep feature learning model architectures for such applications and produce state-of-the-art detection performances.
특징 추출 엔지니어링은 시간이 많이 걸리고 데이터에 따라 상당한 양의 도메인 지식과 전문 지식이 필요합니다. 따라서, 지난 수년 동안 이미지 분류, 시계열 분석 등 다양한 연구 영역의 문제를 해결하기 위해 딥러닝(심층학습)이 활용되어 왔으며, 딥러닝 모델은 주어진 문제를 최대한 효과적으로 해결하기 위해 방대한 양의 데이터에서 특징을 자동으로 추출하고 학습하는 데 탁월한 성능을 보여주었습니다. 그러나 빅데이터는 다양한 데이터 형식과 유형(예: 이미지, 시계열 등)으로 구성되기 때문에, 성능 최적화에 있어서 가장 중요한 작업은 적절한 심층 레이어의 구성과 학습 방법을 사용하는 것입니다.그렇다면 특정 문제가 주어졌을 때, 심층 특징 추출 학습 방법은 데이터의 어떠한 특징에 집중해야 성능을 향상시킬 수 있는지에 대한 의문이 존재합니다. 이는 데이터의 특수성을 고려하여 딥러닝 모델 구조를 구성하여 해답을 찾을 수 있습니다. 예를 들어, 다변량 시계열 이상 및 침입을 탐지하려면 서로 다른 시계열 간의 시간 의존적 특징 및 상관 관계에 초점을 맞춘 모델을 구축해야 합니다. 또한, 이미지 분류는 딥러닝 모델이 클래스를 구별할 수 있는 이미지 내의 패턴을 추출해야 합니다. 본 논문에서는 위와 같은 의문에 대한 답을 찾기 위해 다변량 시계열 데이터 내의 침입 및 이상 탐지와 가짜 얼굴 멀티미디어 탐지 연구 분야를 고려하여 다양한 모델을 소개하고 개발합니다. 또한, 본 연구를 통해 효율적인 심층 특징 추출 학습 모델 구조로 최신 탐지 성능을 확보하였습니다.