基礎的な異常検知手法に有名なダミーデータを重ねて性能の評価を行った

1. 試して、比べて、使ってみる
時系列における異常検知
陳 浩

2. 自己紹介
• 名前 陳 浩
• 経歴
• ２０１０年 修士課程でマテリアルインフォマティク
スを研究
• ２０１４年 重工業において世界で発電所を建設
• ２０１７年 博士課程において電力データの研究
• ２０１７年 証券市場における市場捜査の分析
• 地元
• 中国・西安から東京・立川
• 最近
• 家の自動化とスマート化
• プログラミング python, nodejs, r

3. • 基準の集団に対する距離を検知すること
• 教師がある場合
• 教師がない場合
異常検知とは？
正常
異常

4. 現実世界における時系列
体重
血糖値
体脂肪
睡眠時間
単一変数
多変数
時系列
多変数時系列

5. 具体的な異常の例
• 単一変数
• 平均より体重が思い人
• 多変数
• BMI、偏差値
• 時系列
• 血糖値、心電図、IoTデータ
• 多変数時系列
• 工場のシステム、ビデオサーベランス

6. 時系列とは？
• 過去から将来の関係性があるパラメータ群
• 注目する対象により手法が変化
周期的な変化
自己相関的な変化
他の変数との相関
変化点か異常値

7. 異常検知の手順
1. これまで得られたデータから、データ発生
分布の確率モデル（モデル）を学習
2. 学習されたモデルを基に、データの異常
度合をスコアリング
3. 閾値を超えた値を異常値として判別する

8. スライドウィンドウによる時系列の変換
部分空間法
スライドウィンドウ

9. 異常検知の種類
• 外れ値検知（検出単位：データ点）
マハラビスの距離,近傍法
• 異常部位検出（検出単位：部分時系列）
特異スペクトル,Changefinder
• 変化点検知（検出単位：変化が起きた時点）
AR、教師あり学習

11. 基礎手法
• データが単一の正規分布から発生していると仮定し
ているため、正規分布から著しく外れている場合、分
布が複数の山を持つ場合などは異常値を正しく判断
できなくなる
• 正規分布のパラメータは変化しないとしているた
めに、分布のパラメータが変化するような時系
列データには適用することができない

12. 近傍法
マハラノビス距離やマン
ハッタン距離
多峰性に強い
しきい値は設計者が決める
チューニングが大変
ノイズに弱い

13. 特異スペクトル分解
入門 機械学習による異常検知―Rによる実践ガイド

14. 未来予測法
予測値ー実値の距離
マハラノビス距離
• 平均移動線
• Arima
• 機械学習

15. 手法の比較
精度と簡潔性のトレードオフ変化点 外れ値 部分変化
マハラノビス
近傍法
特異スペクトル
未来予測
精度低
精度高 精度低
精度高
モデルによる

16. 異常値
周期変化
異常値＋周期
時系列の種類

17. 周期変化
異常値＋周期
マハラノビス距離 近傍法 特異スペクトル

18. Window = 100 , nk = 1
Window = 1 , nk = 1Window = 100 , nk = 50
近傍法のパラメータ変化

19. Window = 100 , nk = 1
Window = 1 , nk = 1Window = 100 , nk = 50
近傍法のパラメータ変化

20. 特異スペクトルがうまくいかないばあい
特異スペクトル
AR未来予測モデル ＋ マハラノビス

21. モード変化の対策方法
• 周期性（ウィンド）を長くする
• 明示的にモードの変化を示す
• 波形分解を行ってから、異常度をは図る

22. モデルが変わってしまう場合
Window = 50
Window = 200
Window = 100
特異スペクトルでウィンド変化

23. 状態空間モデルで時系列を分解

24. 機械学習で時系列を分析

25. 特徴量の抽出せずに異常検知したいですね

26. • ご清聴ありがとうございました