1.
最新事例紹介資料
2018/11/19
岐阜大学 加藤研究室 中塚俊介

2.
◼ Estimation of Dimensions Contributing to Detected Anomalies with Variational Autoencoders
Yasuhiro Ikeda, Kengo Tajiri, Yuusuke Nakano, Keishiro Watanabe, Keisuke Ishibashi
https://arxiv.org/abs/1811.04576
◼ q-Space Novelty Detection with Variational Autoencoders
Aleksei Vasilev, Vladimir Golkov, Marc Meissner, Ilona Lipp, Eleonora Sgarlata, Valentina Tomassini, Derek K. Jones, Daniel Cremers
https://arxiv.org/abs/1806.02997
◼ 深層生成モデルによる非正則化異常度を用いた工業製品の異常検知
立花 亮介, 松原 崇, 上原 邦昭
https://confit.atlas.jp/guide/event-img/jsai2018/2A1-03/public/pdf?type=in
2
目次

3.
◼ 異常品ごとに異常検知に貢献する箇所を探す
◼ 正常品だけでVAEを学習した後に，
異常品が正常品ならば，潜在空間上でどのように見えるか？を推定するEncoderを学習
◼ 異常品を↑のEncoderと学習済みのDecoderに入力し，出力を得て，
そのBCE (reconstruction error) が大きい次元が異常検知に貢献する箇所
3
Estimation of Dimensions Contributing to Detected Anomalies with
Variational Autoencoders
normal
anomaly BCE
 ( )
( )
max log ( | ) ( ) || ( )q z i KL
q z
i
N
E p x z D q z p z
N K
 

 
 − −  


4.
◼ VAEから得られる様々なmetrics で異常検知してみた論文
 再構成誤差
 潜在空間上の距離
 潜在変数の確率密度
 ELBO
4
q-Space Novelty Detection with Variational Autoencoders
Autoencoderの
再構成誤差
平均潜在変数から
生成された画像との
再構成誤差
VAEの
再構成誤差

5.
◼ VAEの再構成誤差を用いた異常検知手法
 Decoderの出力をベルヌーイではなく，正規分布を仮定
 最終的には，Decoderにより各Pixelの平均と分散が出力され，
それらを用いて，マハラノビス距離を計算することで異常度とする
 正規化によりデータの不確かさ・複雑さに頑健
◼ VAEでパッチベース＋再構成誤差の際の
過検出を抑制する手法
5
深層生成モデルによる非正則化異常度を用いた工業製品の異常検知
 
2
2
( | ) ~ 2
1 1
( )1 1
log ( | ) log 2
2 2
( ) ( )
i
i
i
d d
x i
q z X x X x
i i x
VAE VAE
x
E p X z E
A x M x


= =
 −
= + 
  
= +
 
   ( | )( , ) ( | ) || ( ) log ( | )KL q z XL X z D q z X p z E p X z= − +
 ~( , ) ( ) ( ) ( )x X VAE VAE VAEL X z E D x A x M x= + +
マハラノビス距離
ELBO
提案手法