ビジネス

異常検知手法紹介(Part2)

特徴量抽出を用いた異常検知手法について紹介していきます。

上手く特徴量を抽出することで、古典的な異常検知手法を使うだけで高精度に異常検知が行えるようになります。

今回はMetric Learningと転移学習による手法について紹介していきます。

Metric Learning

Metric Learningでは、同じクラスのデータは近くに、異なるクラスのデータは遠くに位置するように変換行列の訓練を行います。
変換にDNNを利用したものはDeep Metric Learningと呼ばれ、非線形な変換に対応することができます。
Metric Learningには2サンプルを同時に入力するsiamese networkや、3サンプルを同時に入力するtriplet networkなどの手法があります。

参考
Qiita_【AI】Deep Metric Learning

転移学習

転移学習を使ったモデルでは、訓練済みのネットワークを特徴抽出器として利用します。
訓練済みのネットワークは一般的に、入力に近い層では汎用的な特徴を、出力に近い層ではその課題に特化した特徴を捉えています。

そのため、異常検知として利用する場合には、正常データを訓練済みモデルに入力し、途中の層までの出力を得ます。
これにより、正常データの特徴量分布を作成することができ、正常データと異常データの識別ができるようになります。

参考
Towards Data Science_A Comprehensive Hands-on Guide to Transfer Learning with Real-World Applications in Deep Learning

Y.Y
アナリティクス&デベロップメント所属。画像や時系列など。