Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

[DL輪読会]Deep Learning for Anomaly Detection: A Survey

8,266 views

Published on

2019/02/08
Deep Learning JP:
http://deeplearning.jp/seminar-2/

Published in: Technology
  • Be the first to comment

[DL輪読会]Deep Learning for Anomaly Detection: A Survey

  1. 1. 1 DEEP LEARNING JP [DL Papers] http://deeplearning.jp/ “Deep Learning for Anomaly Detection: A Survey”
  2. 2. • ��D – ���������������������� • ���������������������������������������������������������������������������� – ������������� • ����������������������������������������������� • ������� – �������������������������������R��������� �����Rha 2
  3. 3. Agenda 3
  4. 4. • – • – – • 4
  5. 5. 5 深層学習異常検知に関わる多くの研 究まとめ論文があるが、1つのドメ イン/領域に絞った上でのレビューが 多い。 数多くの深層学習異常検知手法が提 案されている。 この論文では広い産業適用での活用 状況をレビューと 手法の分類方法にサブカテゴリー (ハイブリッド異常検知と1クラス ニューラルネットワーク)を追加し、 手法を整理している。
  6. 6. 6
  7. 7. 7 異常とは? 普通とは違う、逸脱した値、外れ値。N1, N2は大多 数の観測値の集合であり、正常と考えられる。O1, O2, O3は少ない集合であり、大部分と乖離している。 異常値と考えられる。 新規性とは? 新しい傾向や今まで観測していないパターン。
  8. 8. 8 単一異常 多くの場合これに当てはまる。ラン ダムに発生し、特段理由もない場合 もある。 文脈/条件異常 正常状態の文脈と行動・パターンを 考慮した上で、乖離が見られる場合。 集団/グループ異常 正常の集団から乖離した単体の異常 集合 クレジットカード取引の例: 他に比べて大きな乖離 温度の例: 時系列的な観点でパターンがあるよ うに見える。その上で、6月付近でパ ターンを無視した乖離 不正クレジットカード利用の例 MISCの異常が1件だけであれば異常と はみなされないが、連続的に$75の取 引があり、異常の候補となる
  9. 9. • • • 9
  10. 10. 10
  11. 11. 11 教師あり 深層異常検知 半教師あり 深層異常検知 教師なし 深層異常検知 ハイブリッド 深層異常検知 One Class ニュー ラルネットワーク • 教師情報の有無に よる分類 訓練目的による 分類
  12. 12. • – – – • – – 12
  13. 13. • – – – • – – 13
  14. 14. • �� – ������������������� ��� – ������������������������ ������������������������� �������������� – ������������������� ���������������� • �� – ������������������� ������������������� ������������������� ��� – ���������������������� ������������������� 14
  15. 15. One-Class (OC-NN) • ������������������������������������������������� – ������������������������a��� – ����������������a������������������������ ��a��������a��� – ��������������������������a�������������� ��������������a������������������������� ��a��� – ����������������������������������� ������������ • ������������������������������������������������ – ���������������a������������������������� ������������������������������ – �������������a��������������������� �a����������� 15
  16. 16. • �� – �������������������C������������C�� �� – ���������������C�������� – �����I������C���������I��������������������C ���������������������� • �� – ��������������������C����������� – ������������ – �������������I��C������������������ ������������ 16
  17. 17. / メメリリッットト デデメメリリッットト 教師あり深層異常検知 • 半教師ありや教師なしに比べ性能が良い 傾向がある • テスト予測の処理が早い(訓練済みのモ デルに対して比較するだけ) • 分類するクラスの正確な教師情報が必要 (異常検知では手に入りにくい) • 特徴量があまりに高次元で、非線形の場 合は正確に分類できない場合がある 半教師あり深層異常検知 • GANがかなり少ないデータでも半教師あ りで成果を上げている • 教師情報を利用することで教師なしに比 べ性能がかなり向上する • 過学習となりやすい ハイブリッド深層異常検知 • 高次元のデータを扱う際に、”次元の呪 い”に陥るリスクを削減できる • 従来モデルは次元削減後のデータを扱う ので、スケールしやすく、計算的効率も 良い • 異常検知のために特徴量抽出した情報で はなく、一般的な特徴量表現情報を用い るので最初の選択肢とはなりにくい 1クラスニューラルネットワーク異常検知 • 高次元データでは訓練時間が長くなる 教師無し深層異常検知 • アノテートがいらないので、コストがか からない • 複雑で高次元の場合、特徴量を学習する のが難しい場合がある • Autoencoderなど次元圧縮系の手法は良い 結果を得るためにチューニングが必要 • ノイズに弱い • 教師ありや半教師ありに比べて精度が下 がる 17
  18. 18. • – • – • – 18
  19. 19. 19
  20. 20. • – – – – – – – – – – 20 • – – –
  21. 21. • – – • – • – – – • – – • – • – 21
  22. 22. • – – • – • • – • • • – • • • 22
  23. 23. • – – • – – – 23
  24. 24. • – • – – 24
  25. 25. • – – • – 25
  26. 26. • – – – • – – 26
  27. 27. IoT • – – • – • – 27
  28. 28. • – – – – • – 28
  29. 29. • �� – ����������������������� – ������������������������������� ����IL�� • �� – �������������� – ���������������������� – ����������������IL�������� ��������� • � – ����������������������� • ����V������������������������� �������� – ������������������������������������������������� ���������������������������������������� ����������� • ��������������������������� ������L������������������ • ������������������L�� 29
  30. 30. • – • – – • 30
  31. 31. 31
  32. 32. • ������������� – ����������������������������������������� ������ – ����������������������������������� �� – ���������������������������������������������������� • �����������L��������������������������������� ����������������������LOC • �������������� – ������������������������������������� – ����������������������������������������������������������������������� ���� ������������������������������ • ����������������������������������������������� ������������L�����C 32
  33. 33. • – – • • – – – 33
  34. 34. • • • • • • 34
  35. 35. 35

×