JP2001101154A - 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置 - Google Patents
外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置Info
- Publication number
- JP2001101154A JP2001101154A JP27543799A JP27543799A JP2001101154A JP 2001101154 A JP2001101154 A JP 2001101154A JP 27543799 A JP27543799 A JP 27543799A JP 27543799 A JP27543799 A JP 27543799A JP 2001101154 A JP2001101154 A JP 2001101154A
- Authority
- JP
- Japan
- Prior art keywords
- data
- parameter
- histogram
- probability density
- value
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0261—Non linear filters
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10—TECHNICAL SUBJECTS COVERED BY FORMER USPC
- Y10S—TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y10S707/00—Data processing: database and file management or data structures
- Y10S707/99931—Database or file accessing
- Y10S707/99933—Query processing, i.e. searching
- Y10S707/99936—Pattern matching access
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Strategic Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Nonlinear Science (AREA)
- Computer Hardware Design (AREA)
- Mathematical Physics (AREA)
- Complex Calculations (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
(57)【要約】
【課題】 大規模なデータの集合の中から、統計的外れ
値、不正なデータ、詐欺に関わるデータ等の異常なデー
タを、教師無しのデータから発見する。 【解決手段】 一つの入力データの外れ値度は、学習し
た確率密度が、その入力データを取込むことによって、
学習する前と比較してどれだけ変化したかという量によ
って計算される。これは、いままで、学習されてきた確
率密度関数と傾向が大きく異なるデータは、外れ値度が
大きいと考えられるからである。より具体的には、デー
タが入力される前後の確率密度の間の距離関数を外れ値
度として計算する。そこで、確率密度推定装置２１によ
り、大量データを逐次的に読込みつつ適応的に不正デー
タの発生する確率分布を推定し、この推定確率分布に基
づき各データの外れ値度を、スコア計算装置２２で計算
して出力する。
値、不正なデータ、詐欺に関わるデータ等の異常なデー
タを、教師無しのデータから発見する。 【解決手段】 一つの入力データの外れ値度は、学習し
た確率密度が、その入力データを取込むことによって、
学習する前と比較してどれだけ変化したかという量によ
って計算される。これは、いままで、学習されてきた確
率密度関数と傾向が大きく異なるデータは、外れ値度が
大きいと考えられるからである。より具体的には、デー
タが入力される前後の確率密度の間の距離関数を外れ値
度として計算する。そこで、確率密度推定装置２１によ
り、大量データを逐次的に読込みつつ適応的に不正デー
タの発生する確率分布を推定し、この推定確率分布に基
づき各データの外れ値度を、スコア計算装置２２で計算
して出力する。
Description
【０００１】
【発明の属する技術分野】本発明は外れ値度計算装置及
びそれに用いる確率密度推定装置並びに忘却型ヒストグ
ラム計算装置に関し、特に多次元の時系列データから、
これまでのデータのパターンに対して大きく外れる異常
値や外れ値を検出する統計的外れ値検出、不正検出、詐
欺検出技術に関するものである。
びそれに用いる確率密度推定装置並びに忘却型ヒストグ
ラム計算装置に関し、特に多次元の時系列データから、
これまでのデータのパターンに対して大きく外れる異常
値や外れ値を検出する統計的外れ値検出、不正検出、詐
欺検出技術に関するものである。
【０００２】
【従来の技術】かかる外れ値度計算装置は、多次元の時
系列データから、これまでのデータパターンに対して大
きく外れる異常値や外れ値を発見するために使用される
ものであり、例えば、携帯電話の通話記録から、いわゆ
るなりすまし使用（クローニング：cloning ）等の詐欺
行為を発見したり、クレジッシカードの利用履歴から、
異常な取引を発見したりする場合に利用される。
系列データから、これまでのデータパターンに対して大
きく外れる異常値や外れ値を発見するために使用される
ものであり、例えば、携帯電話の通話記録から、いわゆ
るなりすまし使用（クローニング：cloning ）等の詐欺
行為を発見したり、クレジッシカードの利用履歴から、
異常な取引を発見したりする場合に利用される。
【０００３】従来の機械学習技術を用いた不正検出の方
式としては、T. Fawcett とF. Provostによる方式(Com
bining data mining and machine learning for effect
ivefraud detection, Proceedings of AI Approaches t
o Fraud Detection and Risk Management, pp:14-19,19
97) や、J. Ryan, M. Lin, R. Miikkulainenによる方
式(Intrusion detection with neural networks, Proce
edings of AI Approaches to Fraud Detection and Ris
k Management, pp:72-77, 1997) 等が知られている。
式としては、T. Fawcett とF. Provostによる方式(Com
bining data mining and machine learning for effect
ivefraud detection, Proceedings of AI Approaches t
o Fraud Detection and Risk Management, pp:14-19,19
97) や、J. Ryan, M. Lin, R. Miikkulainenによる方
式(Intrusion detection with neural networks, Proce
edings of AI Approaches to Fraud Detection and Ris
k Management, pp:72-77, 1997) 等が知られている。
【０００４】特に、統計的外れ値検出の考え方を利用し
たものに、P. BurgeとJ. Shaw-Taylorによる方式(Detec
ting cellular fraud using adaptive prototypes, in
Proceedings of AI Approaches to Fraud Detection an
d Risk Management, pp:9-13, 1997)がある。
たものに、P. BurgeとJ. Shaw-Taylorによる方式(Detec
ting cellular fraud using adaptive prototypes, in
Proceedings of AI Approaches to Fraud Detection an
d Risk Management, pp:9-13, 1997)がある。
【０００５】パラメトリックな有限混合モデルの学習ア
ルゴリズムとしては、A. P. Dempster, N. M. Laird,
D.B.RibinのEMアルゴリズム(Maximum likelihood from
incomplete data via the EM algorithm, Journal of t
he Royal Statistical Society, B, 39(1), pp:1-38, 1
977)が知られている。
ルゴリズムとしては、A. P. Dempster, N. M. Laird,
D.B.RibinのEMアルゴリズム(Maximum likelihood from
incomplete data via the EM algorithm, Journal of t
he Royal Statistical Society, B, 39(1), pp:1-38, 1
977)が知られている。
【０００６】正規カーネル混合分布（同一の正規分布の
有限個の混合）の学習アルゴリズムとしては、I. Grabe
c のプロトタイプ更新アルゴリズム(Self-organization
ofNeurons described by the maximum-entropy princi
ple, Biological Cybernetics, vol. 63, pp. 403-409,
1990) が知られている。
有限個の混合）の学習アルゴリズムとしては、I. Grabe
c のプロトタイプ更新アルゴリズム(Self-organization
ofNeurons described by the maximum-entropy princi
ple, Biological Cybernetics, vol. 63, pp. 403-409,
1990) が知られている。
【０００７】
【発明が解決しようとする課題】上述したT. Fawcettと
F. Provostによる方式や、J. Ryan, M.Lin, R. Miikkul
ainen による方式は、不正であることが分かっているデ
ータ（いわゆる教師付きデータ）から不正検出パターン
を学習することによる不正検出の方式である。しかし、
実際には不正データが十分揃えるのは難しく、よって精
度良い学習が行えず、その結果として不正検出精度も低
くなる。
F. Provostによる方式や、J. Ryan, M.Lin, R. Miikkul
ainen による方式は、不正であることが分かっているデ
ータ（いわゆる教師付きデータ）から不正検出パターン
を学習することによる不正検出の方式である。しかし、
実際には不正データが十分揃えるのは難しく、よって精
度良い学習が行えず、その結果として不正検出精度も低
くなる。
【０００８】また、P. BurgeとJ. Shaw-Taylorによる方
式は、同様な教師無しデータからの不正検出の方式であ
る。しかし、それらはノンパラメトリックな短期モデル
と長期モデルの２つのモデルを用意して、それらの距離
を外れ値の尺度として不正検出を行うものであった。よ
って、短期モデルと長期モデルの統計的根拠が乏しく、
ゆえにそれらの距離の統計的意味が不明瞭であった。
式は、同様な教師無しデータからの不正検出の方式であ
る。しかし、それらはノンパラメトリックな短期モデル
と長期モデルの２つのモデルを用意して、それらの距離
を外れ値の尺度として不正検出を行うものであった。よ
って、短期モデルと長期モデルの統計的根拠が乏しく、
ゆえにそれらの距離の統計的意味が不明瞭であった。
【０００９】加えて、短期と長期の２つのモデル用意す
るために、計算上非効率であり、かつ連続値データのみ
でカテゴリカルデータを扱えない、ノンパラメトリック
モデルのみを扱っているので、不安定かつ非効率である
といった問題もあった。
るために、計算上非効率であり、かつ連続値データのみ
でカテゴリカルデータを扱えない、ノンパラメトリック
モデルのみを扱っているので、不安定かつ非効率である
といった問題もあった。
【００１０】また、統計モデルの学習アルゴリズムに
は、A. P. Dempster, N. M. Laird, D. B. RibinのＥＭ
アルゴリズムやI. Grabec のプロトタイプ更新アルゴリ
ズムが知られているが、これらは過去の全てのデータを
等しい重みをつけて学習しているので、パタンの変化が
あったときに対応できない。
は、A. P. Dempster, N. M. Laird, D. B. RibinのＥＭ
アルゴリズムやI. Grabec のプロトタイプ更新アルゴリ
ズムが知られているが、これらは過去の全てのデータを
等しい重みをつけて学習しているので、パタンの変化が
あったときに対応できない。
【００１１】本発明の目的は、不正であるか否かがわか
っていないデータ（教師無しデータ）を元に自動的に不
正検出を行うことが可能な外れ値度計算装置及びそれに
用いる確率密度推定装置並びに忘却型ヒストグラム計算
装置を提供することである。
っていないデータ（教師無しデータ）を元に自動的に不
正検出を行うことが可能な外れ値度計算装置及びそれに
用いる確率密度推定装置並びに忘却型ヒストグラム計算
装置を提供することである。
【００１２】本発明の他の目的は、統計的意味が明瞭な
外れ値判定尺度を採用し、短期／長期を１つにまとめた
モデルを用いることによって、計算の効率化を実現し、
カテゴリカルデータにも対応でき、ノンパラメトリック
だけではなくパラメトリックなモデルも用いて安定で効
率的な外れ値検出を行うことが可能な外れ値度計算装置
及びそれに用いる確率密度推定装置並びに忘却型ヒスト
グラム計算装置を提供することである。
外れ値判定尺度を採用し、短期／長期を１つにまとめた
モデルを用いることによって、計算の効率化を実現し、
カテゴリカルデータにも対応でき、ノンパラメトリック
だけではなくパラメトリックなモデルも用いて安定で効
率的な外れ値検出を行うことが可能な外れ値度計算装置
及びそれに用いる確率密度推定装置並びに忘却型ヒスト
グラム計算装置を提供することである。
【００１３】本発明の更に他の目的は、過去のデータほ
ど重みを減らし、忘却しながら学習するアルゴリズムを
装置の中で実現することにより、パタンの変化にも柔軟
に追従することが可能な外れ値度計算装置及びそれに用
いる確率密度推定装置並びに忘却型ヒストグラム計算装
置を提供することである。
ど重みを減らし、忘却しながら学習するアルゴリズムを
装置の中で実現することにより、パタンの変化にも柔軟
に追従することが可能な外れ値度計算装置及びそれに用
いる確率密度推定装置並びに忘却型ヒストグラム計算装
置を提供することである。
【００１４】
【課題を解決するための手段】本発明によれば、実数ベ
クトル値のデータ列を入力として、各データの外れ値度
合いを順次検出する外れ値度計算装置に使用され、前記
データ列を順次読み込みつつ該データが発生する確率分
布を正規分布の有限混合分布を用いて推定する確率密度
推定装置であって、有限個の正規分布密度の各々の平均
パラメータと分散パラメータの値および各正規分布の重
みを記憶するパラメータ記憶手段と、入力データの値に
対して、前記記憶手段からパラメータの値を読み込ん
で、各正規分布から該入力データが発生した確からしさ
を計算する確からしさ計算手段と、該確からしさ計算手
段から確からしさを読み込み、各正規分布の平均と分散
パラメータの値および各正規分布の重みパラメータを前
記パラメータ記憶手段から読み込み、新たに読み込んだ
データに応じて過去のデータを忘却しつつ更新して該記
憶手段の内容を書き換えるパラメータ書換え手段とを含
むことを特徴とする確率密度推定装置が得られる。
クトル値のデータ列を入力として、各データの外れ値度
合いを順次検出する外れ値度計算装置に使用され、前記
データ列を順次読み込みつつ該データが発生する確率分
布を正規分布の有限混合分布を用いて推定する確率密度
推定装置であって、有限個の正規分布密度の各々の平均
パラメータと分散パラメータの値および各正規分布の重
みを記憶するパラメータ記憶手段と、入力データの値に
対して、前記記憶手段からパラメータの値を読み込ん
で、各正規分布から該入力データが発生した確からしさ
を計算する確からしさ計算手段と、該確からしさ計算手
段から確からしさを読み込み、各正規分布の平均と分散
パラメータの値および各正規分布の重みパラメータを前
記パラメータ記憶手段から読み込み、新たに読み込んだ
データに応じて過去のデータを忘却しつつ更新して該記
憶手段の内容を書き換えるパラメータ書換え手段とを含
むことを特徴とする確率密度推定装置が得られる。
【００１５】また、本発明によれば、この確率密度推定
装置と、該確率密度推定装置により更新された有限混合
分布のパラメータを使用して、この更新前後のパラメー
タの値および入力データから推定された確率分布に基づ
いて前記データの外れ値度合いを計算して出力する外れ
値度計算手段とを含むことを特徴とする外れ値度計算装
置が得られる。
装置と、該確率密度推定装置により更新された有限混合
分布のパラメータを使用して、この更新前後のパラメー
タの値および入力データから推定された確率分布に基づ
いて前記データの外れ値度合いを計算して出力する外れ
値度計算手段とを含むことを特徴とする外れ値度計算装
置が得られる。
【００１６】更に本発明によれば、実数ベクトル値のデ
ータ列を入力として、各データの外れ値度合い順次検出
する外れ値度計算装置に使用され、前記データ列を順次
読み込みつつ該データが発生する確率分布を有限個の正
規カーネル分布を用いて推定する確率密度推定装置であ
って、各カーネルの位置を表すパラメータの値を記憶す
るパラメータ記憶手段と、該記憶手段からパラメータの
値を読み込んで、新たに読み込んだデータに応じて過去
のデータを忘却しつつ更新して該パラメータ記憶手段の
内容を書き換えるパラメータ書換え手段とを含むことを
特徴とする確率密度推定装置が得られる。
ータ列を入力として、各データの外れ値度合い順次検出
する外れ値度計算装置に使用され、前記データ列を順次
読み込みつつ該データが発生する確率分布を有限個の正
規カーネル分布を用いて推定する確率密度推定装置であ
って、各カーネルの位置を表すパラメータの値を記憶す
るパラメータ記憶手段と、該記憶手段からパラメータの
値を読み込んで、新たに読み込んだデータに応じて過去
のデータを忘却しつつ更新して該パラメータ記憶手段の
内容を書き換えるパラメータ書換え手段とを含むことを
特徴とする確率密度推定装置が得られる。
【００１７】更にはまた、本発明によれば、この確率密
度推定装置（カーネル混合分布）と、該確率密度推定装
置により更新された前記パラメータを使用して、更新前
後のパラメータの値および入力データから推定された確
率分布に基づいて前記データの外れ値度合いを計算して
出力する外れ値度計算手段とを含むことを特徴とする外
れ値度計算装置が得られる。
度推定装置（カーネル混合分布）と、該確率密度推定装
置により更新された前記パラメータを使用して、更新前
後のパラメータの値および入力データから推定された確
率分布に基づいて前記データの外れ値度合いを計算して
出力する外れ値度計算手段とを含むことを特徴とする外
れ値度計算装置が得られる。
【００１８】また、本発明によれば、離散値データを入
力として、各データの外れ値度合いを順次検出する外れ
値度計算装置に使用され、順次入力される前記離散値デ
ータに対してヒストグラムのパラメータを計算する忘却
型ヒストグラム計算装置であって、前記ヒストグラムの
パラメータ値を記憶する記憶手段と、該記憶手段から前
記パラメータ値を読み出して、入力データに基づいて過
去のパラメータ値を忘却しつつ更新して前記記憶手段の
値を書き換えるパラメータ更新手段とを備え、前記記憶
手段のパラメータ値の幾つかを出力するようにしたこと
を特徴とする忘却型ヒストグラム計算装置が得られる。
力として、各データの外れ値度合いを順次検出する外れ
値度計算装置に使用され、順次入力される前記離散値デ
ータに対してヒストグラムのパラメータを計算する忘却
型ヒストグラム計算装置であって、前記ヒストグラムの
パラメータ値を記憶する記憶手段と、該記憶手段から前
記パラメータ値を読み出して、入力データに基づいて過
去のパラメータ値を忘却しつつ更新して前記記憶手段の
値を書き換えるパラメータ更新手段とを備え、前記記憶
手段のパラメータ値の幾つかを出力するようにしたこと
を特徴とする忘却型ヒストグラム計算装置が得られる。
【００１９】更に、本発明によれば、この忘却型ヒスト
グラム計算装置と、該忘却型ヒストグラム計算装置の出
力と前記入力データから前記ヒストグラムに対する該入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置が得られる。
グラム計算装置と、該忘却型ヒストグラム計算装置の出
力と前記入力データから前記ヒストグラムに対する該入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置が得られる。
【００２０】更にはまた、本発明によれば、順次入力さ
れる離散値変量と連続値変量の両者で記述されたデータ
に対してその外れ値度を計算する外れ値度計算装置であ
って、離散値データ部分に対してヒストグラムを推定す
る上記の忘却型ヒストグラム計算装置と、前記ヒストグ
ラムのセルの数と同じ数だけそれぞれ対応して設けら
れ、連続値データ部分に対して確率密度を推定する上記
の確率密度推定装置（正規混合分布）と、前記離散値デ
ータ部分が前記ヒストグラムのどのセルに属するのかを
判別して、対応する前記確率密度推定装置に連続データ
部分を送り込むセル判別手段と、前記忘却型ヒストグラ
ム計算装置と前記確率密度推定装置との出力値と前記入
力データとから、推定された確率分布に基づいて前記入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置が得られる。
れる離散値変量と連続値変量の両者で記述されたデータ
に対してその外れ値度を計算する外れ値度計算装置であ
って、離散値データ部分に対してヒストグラムを推定す
る上記の忘却型ヒストグラム計算装置と、前記ヒストグ
ラムのセルの数と同じ数だけそれぞれ対応して設けら
れ、連続値データ部分に対して確率密度を推定する上記
の確率密度推定装置（正規混合分布）と、前記離散値デ
ータ部分が前記ヒストグラムのどのセルに属するのかを
判別して、対応する前記確率密度推定装置に連続データ
部分を送り込むセル判別手段と、前記忘却型ヒストグラ
ム計算装置と前記確率密度推定装置との出力値と前記入
力データとから、推定された確率分布に基づいて前記入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置が得られる。
【００２１】また、本発明によれば、順次入力される離
散値変量と連続値変量との両者で記述されたデータに対
して、その外れ値度を計算する外れ値度掲載装置であっ
て、前記離散値データ部分に対してヒストグラムを推定
する上記の忘却型ヒストグラム計算装置と、前記ヒスト
グラムのセルの数と同じ数だけそれぞれ対応して設けら
れ、連続値データ部分に対して確率密度を推定する上記
の確率密度推定装置（カーネル混合分布）と、前記離散
値データ部分がヒストグラムのどのセルに属するのかを
判別して、対応する前記確率密度推定装置に連続データ
部分を送り込むセル判別手段と、前記忘却型ヒストグラ
ム計算装置と前記確率密度推定装置との出力値と前記入
力データとから、推定された確率分布に基づいて前記入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置がえられる。
散値変量と連続値変量との両者で記述されたデータに対
して、その外れ値度を計算する外れ値度掲載装置であっ
て、前記離散値データ部分に対してヒストグラムを推定
する上記の忘却型ヒストグラム計算装置と、前記ヒスト
グラムのセルの数と同じ数だけそれぞれ対応して設けら
れ、連続値データ部分に対して確率密度を推定する上記
の確率密度推定装置（カーネル混合分布）と、前記離散
値データ部分がヒストグラムのどのセルに属するのかを
判別して、対応する前記確率密度推定装置に連続データ
部分を送り込むセル判別手段と、前記忘却型ヒストグラ
ム計算装置と前記確率密度推定装置との出力値と前記入
力データとから、推定された確率分布に基づいて前記入
力データのスコアを計算するスコア計算手段とを含み、
該スコア計算手段の出力を前記入力データの外れ値度と
して出力するようにしたことを特徴とする外れ値度計算
装置がえられる。
【００２２】本発明の作用を述べる。本発明において、
時系列データの一つの値をｘとすると、入力データは多
次元のデータであると想定して、ｘの内容は、例えば、
一つの実数、多次元の実数値ベクトル離散値の属性、そ
れらを並べた多次元のベクトル等である。携帯電話の場
合には、 ｘ＝（通話開始時刻，通話持続時間，発話地域） が考えられるが、これは一例を示すにすぎないものであ
る。
時系列データの一つの値をｘとすると、入力データは多
次元のデータであると想定して、ｘの内容は、例えば、
一つの実数、多次元の実数値ベクトル離散値の属性、そ
れらを並べた多次元のベクトル等である。携帯電話の場
合には、 ｘ＝（通話開始時刻，通話持続時間，発話地域） が考えられるが、これは一例を示すにすぎないものであ
る。
【００２３】ｘが従う確率分布の確率密度関数はデータ
発生機構（例えば、ユーザの通話パターン）の性質を表
す。本発明にかかる外れ値度計算装置は、時系列にデー
タが与えられる毎に確率密度関数を学習するものであ
る。かかる状況下において、「外れ値度」は基本的に次
の１，２で示す二つの考え方で計算する様にしている。
発生機構（例えば、ユーザの通話パターン）の性質を表
す。本発明にかかる外れ値度計算装置は、時系列にデー
タが与えられる毎に確率密度関数を学習するものであ
る。かかる状況下において、「外れ値度」は基本的に次
の１，２で示す二つの考え方で計算する様にしている。
【００２４】１．一つの入力データの外れ値度は、学習
した確率密度が、その入力データを取込むことによっ
て、学習する前と比較してどれだけ変化したかという量
によって計算される。これは、いままで、学習されてき
た確率密度関数と傾向が大きく異なるデータは、外れ値
度が大きいと考えられるからである。より具体的には、
データが入力される前後の確率密度の間の距離関数を外
れ値度として計算するのである。
した確率密度が、その入力データを取込むことによっ
て、学習する前と比較してどれだけ変化したかという量
によって計算される。これは、いままで、学習されてき
た確率密度関数と傾向が大きく異なるデータは、外れ値
度が大きいと考えられるからである。より具体的には、
データが入力される前後の確率密度の間の距離関数を外
れ値度として計算するのである。
【００２５】２．これまでに学習で得られた確率密度関
数の、入力データに対する尤度（確率密度関数の入力デ
ータに関する値）を計算する。この尤度が小さければ小
さい程、外れ値度は大きいと考えられる。実際には、尤
度の対数に負号を付けた値（負対数尤度）を外れ値度と
して出力する。
数の、入力データに対する尤度（確率密度関数の入力デ
ータに関する値）を計算する。この尤度が小さければ小
さい程、外れ値度は大きいと考えられる。実際には、尤
度の対数に負号を付けた値（負対数尤度）を外れ値度と
して出力する。
【００２６】また、上記の二つの関数の組み合わせ等も
使用することができる。以上の様に、本発明による装置
は、確率密度関数で、データ発生機構の統計的性質を表
現し（確率密度推定装置の機能）、これに基づき、入力
データがいかにデータ発生機構の性質から外れているか
を、「外れ値度」として計算して出力する（外れ値度計
算装置の機能）ものである。
使用することができる。以上の様に、本発明による装置
は、確率密度関数で、データ発生機構の統計的性質を表
現し（確率密度推定装置の機能）、これに基づき、入力
データがいかにデータ発生機構の性質から外れているか
を、「外れ値度」として計算して出力する（外れ値度計
算装置の機能）ものである。
【００２７】
【発明の実施の形態】次に、本発明の実施の形態につい
て図面を参照して詳細に説明する。先ず、正規混合分布
を用いた確率密度推定装置について説明する。データｘ
（ｄ次元ベクトル値）が確率分布として、
て図面を参照して詳細に説明する。先ず、正規混合分布
を用いた確率密度推定装置について説明する。データｘ
（ｄ次元ベクトル値）が確率分布として、
【数１】 に従って発生するとする。
【００２８】但し、
【数２】 であるものとし、また、μi はｎ次元のベクトルであ
り、ｎ次元正規分布の平均値を表すパラメータであり、
Σi はｎ元正方行列であり、ｎ元正規分布の分散を表す
パラメータである。また、ｃi は正規分布の重みを表わ
すパラメータである。ここで、ｋは重ね合わせの数を表
す整数であり、
り、ｎ次元正規分布の平均値を表すパラメータであり、
Σi はｎ元正方行列であり、ｎ元正規分布の分散を表す
パラメータである。また、ｃi は正規分布の重みを表わ
すパラメータである。ここで、ｋは重ね合わせの数を表
す整数であり、
【数３】 が成り立つ。また、θ＝（ｃi ，μi ，Σi ，……，ｃ
k ，μk ，Σk ）をパラメータベクトルとする。
k ，μk ，Σk ）をパラメータベクトルとする。
【００２９】図１は本発明の一実施例による確率密度推
定装置のブロック図である。ここでは、忘却の速さを表
す定数ｒ（０≦ｒ≦１であり、ｒが小さい程、過去のデ
ータを速く忘却する）と、正規分布の重ね合わせの数ｋ
とが、予め与えられているものとする。また、α（α＞
０）なるパラメータも用いるが、この値も予め与えられ
ているものとする。
定装置のブロック図である。ここでは、忘却の速さを表
す定数ｒ（０≦ｒ≦１であり、ｒが小さい程、過去のデ
ータを速く忘却する）と、正規分布の重ね合わせの数ｋ
とが、予め与えられているものとする。また、α（α＞
０）なるパラメータも用いるが、この値も予め与えられ
ているものとする。
【００３０】図１において、パラメータ記憶装置１３は
上述のパラメータθを記憶する装置であり、パラメータ
書換え装置１２は、ｄ次元ベクトルμi ’及びｄ元正方
行列Σi ’をも記憶することができる。尚、１０はデー
タ入力部を示し、１１は確からしさを計算する確からし
さを計算装置であり、１４はパラメータ出力部を示して
いる。
上述のパラメータθを記憶する装置であり、パラメータ
書換え装置１２は、ｄ次元ベクトルμi ’及びｄ元正方
行列Σi ’をも記憶することができる。尚、１０はデー
タ入力部を示し、１１は確からしさを計算する確からし
さを計算装置であり、１４はパラメータ出力部を示して
いる。
【００３１】図２は図１のブロックの概略動作を示すフ
ロー図であり、図１の装置は以下の様に動作する。先
ず、データが読込まれる前にパラメータ記憶装置１３に
格納されている各パラメータの値が初期化される（ステ
ップＳ１０）。次に、ｔ番目のデータｘt が入力される
度に、以下の様に動作する。入力ｘt が確からしさ計算
装置１１およびパラメータ書換え装置１２に渡されて
（ステップＳ１１）格納される。
ロー図であり、図１の装置は以下の様に動作する。先
ず、データが読込まれる前にパラメータ記憶装置１３に
格納されている各パラメータの値が初期化される（ステ
ップＳ１０）。次に、ｔ番目のデータｘt が入力される
度に、以下の様に動作する。入力ｘt が確からしさ計算
装置１１およびパラメータ書換え装置１２に渡されて
（ステップＳ１１）格納される。
【００３２】確からしさ計算装置１１はパラメータ記憶
装置１３より現在のパラメータの値θを読込み、これを
用いて各正規分布がデータｘt を発生した各確からしさ
γi（ｉ＝１，２，……，Ｋ）を、
装置１３より現在のパラメータの値θを読込み、これを
用いて各正規分布がデータｘt を発生した各確からしさ
γi（ｉ＝１，２，……，Ｋ）を、
【数４】 なる式によって計算し（ステップＳ１２）、パラメータ
書換え装置１２に送り込む。パラメータ書換え装置１２
はパラメータ記憶装置１３から現在のパラメータの値を
読取りつつ、送り込まれた確からしさγi を用いて、パ
ラメータの値の更新結果を、下記の式（２）〜（６）に
示す様に、各ｉ＝１，２，……，ｋについて順次計算し
つつパラメータ記憶装置１３に記憶されているパラメー
タの値を書換えて行く（ステップＳ１３）。尚、これ等
式（２）〜（６）における“：＝”なる記号は右辺の項
を左辺へ代入することを意味する。
書換え装置１２に送り込む。パラメータ書換え装置１２
はパラメータ記憶装置１３から現在のパラメータの値を
読取りつつ、送り込まれた確からしさγi を用いて、パ
ラメータの値の更新結果を、下記の式（２）〜（６）に
示す様に、各ｉ＝１，２，……，ｋについて順次計算し
つつパラメータ記憶装置１３に記憶されているパラメー
タの値を書換えて行く（ステップＳ１３）。尚、これ等
式（２）〜（６）における“：＝”なる記号は右辺の項
を左辺へ代入することを意味する。
【００３３】
【数５】
【００３４】そして、パラメータ記憶装置１３は書換え
られたパラメータの値を出力する（ステップＳ１４）。
この更新規則は（ｔ−ｌ）番目のデータについて、（１
−ｒ）l だけの重みをつけた対数尤度を極大化するこ
とに相当しており、過去のデータを次第に忘却していく
ような推定を実現している。従って、１／ｒ個ほど前ま
でのデータを用いて学習していることになる（ｌは正の
整数である）。
られたパラメータの値を出力する（ステップＳ１４）。
この更新規則は（ｔ−ｌ）番目のデータについて、（１
−ｒ）l だけの重みをつけた対数尤度を極大化するこ
とに相当しており、過去のデータを次第に忘却していく
ような推定を実現している。従って、１／ｒ個ほど前ま
でのデータを用いて学習していることになる（ｌは正の
整数である）。
【００３５】これは（１−ｒ）l ＝１／２の解が、 ｌ＝−（ｌｏｇ２）／ｌｏｇ（１−ｒ）〜（ｌｏｇ２）
／ｒ であることによる。
／ｒ であることによる。
【００３６】この様に、確率密度分布が上記の式（１）
で表された関数を採用しており、この関数は有限個のパ
ラメータで完全に指定されるものである。よって、この
確率密度関数を表現するには、パラメータの値を指定す
れば十分であることから、図１に示したパラメータ出力
部１４により、当該確率密度関数が推定可能となる。こ
の推定された確率密度関数を使用して、入力データの外
れ値度を計算する装置について、図３にブロック図を示
す。
で表された関数を採用しており、この関数は有限個のパ
ラメータで完全に指定されるものである。よって、この
確率密度関数を表現するには、パラメータの値を指定す
れば十分であることから、図１に示したパラメータ出力
部１４により、当該確率密度関数が推定可能となる。こ
の推定された確率密度関数を使用して、入力データの外
れ値度を計算する装置について、図３にブロック図を示
す。
【００３７】図３は外れ値度掲載装置の一実施例を示す
ブロック図である。本装置は、入力部２０と、図１に示
した確率密度推定装置２１と、入力データと確率密度推
定装置２１からのパラメータとから推定された確率分布
に基きデータの外れ値度、すなわちスコアを計算するス
コア計算装置２２と、その結果を出力する出力部２３と
からなっている。この図３に示す装置は図４に示したフ
ローに従い、ｔ番目のデータｘt が入力される度に、以
下の順序で動作する。
ブロック図である。本装置は、入力部２０と、図１に示
した確率密度推定装置２１と、入力データと確率密度推
定装置２１からのパラメータとから推定された確率分布
に基きデータの外れ値度、すなわちスコアを計算するス
コア計算装置２２と、その結果を出力する出力部２３と
からなっている。この図３に示す装置は図４に示したフ
ローに従い、ｔ番目のデータｘt が入力される度に、以
下の順序で動作する。
【００３８】入力ｘt は確率密度推定装置２１（正規混
合分布）およびスコア計算装置２２に渡されて（ステッ
プＳ２０）格納される。確率密度推定装置２１は入力さ
れたデータに応じて格納しているパラメータの値を更新
し（ステップＳ２１）、新しい値をスコア計算装置２２
に入力する。スコア計算装置２２では、入力されたデー
タ、パラメータの値、過去に渡されたパラメータの値を
用いてスコア（ステップＳ２２）を計算して出力する
（ステップＳ２３）。外れ値度を示すスコアは例えば、
平方距離、Hellinger 距離、更には対数損失を用いて計
算される。
合分布）およびスコア計算装置２２に渡されて（ステッ
プＳ２０）格納される。確率密度推定装置２１は入力さ
れたデータに応じて格納しているパラメータの値を更新
し（ステップＳ２１）、新しい値をスコア計算装置２２
に入力する。スコア計算装置２２では、入力されたデー
タ、パラメータの値、過去に渡されたパラメータの値を
用いてスコア（ステップＳ２２）を計算して出力する
（ステップＳ２３）。外れ値度を示すスコアは例えば、
平方距離、Hellinger 距離、更には対数損失を用いて計
算される。
【００３９】以下、具体的に説明する。データｘt ＝
ｘ1 ｘ2……ｘt によって推定されたパラメータをθ(t)
として、 ｐ(t) （ｘ）＝ｐ（ｘ｜θ(t) ） と表し、確率分布ｐとｑに対して、ｄs （ｐ，ｑ）で二
つの分布の間の平方距離を、ｄh （ｐ，ｑ）でHellinge
r 距離を表すとき、スコアとして、
ｘ1 ｘ2……ｘt によって推定されたパラメータをθ(t)
として、 ｐ(t) （ｘ）＝ｐ（ｘ｜θ(t) ） と表し、確率分布ｐとｑに対して、ｄs （ｐ，ｑ）で二
つの分布の間の平方距離を、ｄh （ｐ，ｑ）でHellinge
r 距離を表すとき、スコアとして、
【数６】 のいずれかを用いることができる。対数損失を用いる場
合は、 −ｌｏｇｐ(t-1 )（ｘt ） で計ることができる。これらはただちに、Ｔを正の整数
としてｄs （ｐ(t) ，ｐ(t-T) ）等に一般化でき
る。
合は、 −ｌｏｇｐ(t-1 )（ｘt ） で計ることができる。これらはただちに、Ｔを正の整数
としてｄs （ｐ(t) ，ｐ(t-T) ）等に一般化でき
る。
【００４０】次に、本発明による確率密度推定装置の他
の実施の形態を示す。この例では、、データ発生のモデ
ルとして、カーネル混合分布である
の実施の形態を示す。この例では、、データ発生のモデ
ルとして、カーネル混合分布である
【数７】 を使用する。ここで、“ω（・：・）はカーネル関数と
よばれるもので、正規密度関数
よばれるもので、正規密度関数
【数８】 の形で与えられる（これを正規分布カーネルと呼ぶ）。
Σは対角行列であり、 Σ＝diag（σ2 ，……，σ2 ） である。尚、σは与えられた正数である。各ｑi はｄ次
元のベクトルであり、各カーネル関数の位置を指定する
パラメータである。｛ｑi ｝はプロトタイプと呼ばれ
る。尚、ｘm でｘのｍ番目の成分を表す。同様に、ｑim
でｑi のｍ番目の成分を表す。
Σは対角行列であり、 Σ＝diag（σ2 ，……，σ2 ） である。尚、σは与えられた正数である。各ｑi はｄ次
元のベクトルであり、各カーネル関数の位置を指定する
パラメータである。｛ｑi ｝はプロトタイプと呼ばれ
る。尚、ｘm でｘのｍ番目の成分を表す。同様に、ｑim
でｑi のｍ番目の成分を表す。
【００４１】図５はカーネル混合分布を使用した確率密
度推定装置のブロック図である。パラメータ記憶装置３
２はｑ＝（ｑ1 ，ｑ2 ，……ｑk ）を記憶する機能を有
する。尚、図５において、３０は入力部、３１はパラメ
ータ書換え装置、３３は出力部である。図５に示した装
置は図６のフローに従って以下の様に動作する。先ず、
データが読込まれる前にパラメータ記憶装置３２に格納
されているパラメータの値を初期化する（ステップＳ３
０）。そして、ｔ番目のデータｘt が入力される度に、
以下の順序で動作する。入力ｘt がパラメータ書換え装
置３１に渡され（ステップＳ３１）て格納される。パラ
メータ書換え装置３１はパラメータ記憶装置３２より、
現在のパラメータの値ｑを読込み、次式の連立一次方程
式（ｋ＝１，２，……，Ｋ，ｌ＝１，２，……，ｄ）
度推定装置のブロック図である。パラメータ記憶装置３
２はｑ＝（ｑ1 ，ｑ2 ，……ｑk ）を記憶する機能を有
する。尚、図５において、３０は入力部、３１はパラメ
ータ書換え装置、３３は出力部である。図５に示した装
置は図６のフローに従って以下の様に動作する。先ず、
データが読込まれる前にパラメータ記憶装置３２に格納
されているパラメータの値を初期化する（ステップＳ３
０）。そして、ｔ番目のデータｘt が入力される度に、
以下の順序で動作する。入力ｘt がパラメータ書換え装
置３１に渡され（ステップＳ３１）て格納される。パラ
メータ書換え装置３１はパラメータ記憶装置３２より、
現在のパラメータの値ｑを読込み、次式の連立一次方程
式（ｋ＝１，２，……，Ｋ，ｌ＝１，２，……，ｄ）
【数９】 （δmlはクロネッカーのデルタを表す。すなわち、ｍ＝
１のときに１を、そうでないとき０に等しい）の解Δｑ
を求め、ｑ：＝ｑ＋Δｑとしてパラメータ記憶装置３２
に格納されているパラメータの値を書換える（ステップ
Ｓ３２）。パラメータ記憶装置３２は書換えられたパラ
メータの値を出力する（ステップＳ３３）。
１のときに１を、そうでないとき０に等しい）の解Δｑ
を求め、ｑ：＝ｑ＋Δｑとしてパラメータ記憶装置３２
に格納されているパラメータの値を書換える（ステップ
Ｓ３２）。パラメータ記憶装置３２は書換えられたパラ
メータの値を出力する（ステップＳ３３）。
【００４２】以上の更新規則において、ｒは忘却の速さ
を制御するパラメータとなっている。すなわち、該規則
を順次適用して得られるカーネル混合分布は
を制御するパラメータとなっている。すなわち、該規則
を順次適用して得られるカーネル混合分布は
【数１０】 なる確率密度からの平方距離を最小化する。P. Burge
とJ. Shaw-Taylorが採用しているI. Grabec によるアル
ゴリズムは、上記においてｒの部分を定数ではなく、１
／τにしたものに対応している。その場合は式（８）に
対応する式は、
とJ. Shaw-Taylorが採用しているI. Grabec によるアル
ゴリズムは、上記においてｒの部分を定数ではなく、１
／τにしたものに対応している。その場合は式（８）に
対応する式は、
【数１１】 という単純なものになる。
【００４３】この図５に示したカーネル混合分布を使用
した確率密度推定装置から得られたパラメータを用い
て、入力データの外れ値度を算出する外れ値度算出装置
の例が図７に示されている。図７において、４０は入力
部、４１は図５の確率密度推定装置、４２はスコア計算
装置、４３は出力部である。
した確率密度推定装置から得られたパラメータを用い
て、入力データの外れ値度を算出する外れ値度算出装置
の例が図７に示されている。図７において、４０は入力
部、４１は図５の確率密度推定装置、４２はスコア計算
装置、４３は出力部である。
【００４４】図７に示した装置はｔ番目のデータｘt が
入力される度に、図８に示すフローに従い以下の順序で
動作する。入力ｘt が確率密度推定装置４１（カーネル
混合分布）およびスコア計算装置４２に渡されて（ステ
ップＳ４０）格納される。確率密度推定装置４１は入力
されたデータに応じて格納しているパラメータの値を更
新し（ステップＳ４１）、新しい値をスコア計算装置４
２に供給する。スコア計算装置４２では、入力されたデ
ータ、パラメータの値、過去に渡されたパラメータの値
を用いてスコアを計算して出力する（ステップＳ４２，
Ｓ４３）。この場合に用いられるスコア関数には、図３
に示した外れ値度計算装置と同様のものを用いることが
できる。
入力される度に、図８に示すフローに従い以下の順序で
動作する。入力ｘt が確率密度推定装置４１（カーネル
混合分布）およびスコア計算装置４２に渡されて（ステ
ップＳ４０）格納される。確率密度推定装置４１は入力
されたデータに応じて格納しているパラメータの値を更
新し（ステップＳ４１）、新しい値をスコア計算装置４
２に供給する。スコア計算装置４２では、入力されたデ
ータ、パラメータの値、過去に渡されたパラメータの値
を用いてスコアを計算して出力する（ステップＳ４２，
Ｓ４３）。この場合に用いられるスコア関数には、図３
に示した外れ値度計算装置と同様のものを用いることが
できる。
【００４５】図９は本発明による忘却型ヒストグラム計
算装置の全体構成図である。パラメータ更新装置５１に
離散値データが順次入力され、パラメータ更新装置５１
には、ヒストグラム記憶装置５２が接続され、ヒストグ
ラム記憶装置５２はヒストグラムのパラメータ値を記憶
し、これらを出力する。尚、５０は入力部、５３は出力
部である。
算装置の全体構成図である。パラメータ更新装置５１に
離散値データが順次入力され、パラメータ更新装置５１
には、ヒストグラム記憶装置５２が接続され、ヒストグ
ラム記憶装置５２はヒストグラムのパラメータ値を記憶
し、これらを出力する。尚、５０は入力部、５３は出力
部である。
【００４６】図１０は図９の装置の動作を示すフローで
ある。離散値データはｎ個の変数で指定されているとす
る。いま、ｎ次元のデータ空間が予めＮ個の排反なセル
に分割されているとし、これらのセル上にヒストグラム
が構成されるものとする。ヒストグラムは確率分布を表
し、（ｐ1 ，……，ｐN ）
ある。離散値データはｎ個の変数で指定されているとす
る。いま、ｎ次元のデータ空間が予めＮ個の排反なセル
に分割されているとし、これらのセル上にヒストグラム
が構成されるものとする。ヒストグラムは確率分布を表
し、（ｐ1 ，……，ｐN ）
【数１２】 をパラメータとする。
【００４７】ここに、ｐj はｊ番目のセルの生起確率で
ある。Ｔ0 （ｊ）＝０（ｊ＝１，……，Ｎ），０＜ｒ＜
１，β＞０は与えられた数とし、パラメータの初期を、 ｐ(0) （１）＝……＝ｐ(0) （Ｎ）＝１／Ｎ とする（ステップＳ５０）。
ある。Ｔ0 （ｊ）＝０（ｊ＝１，……，Ｎ），０＜ｒ＜
１，β＞０は与えられた数とし、パラメータの初期を、 ｐ(0) （１）＝……＝ｐ(0) （Ｎ）＝１／Ｎ とする（ステップＳ５０）。
【００４８】パラメータ更新装置５１はｔ番目に入力さ
れたデータに対して（ステップＳ５１）、
れたデータに対して（ステップＳ５１）、
【数１３】 なる更新を行う（ステップＳ５２）。ここに、δt
（ｊ）は、ｔ番目のデータがｊ番目のセルに入れば１、
そうでなければ０をとる。この更新を全てのセルについ
て行う。
（ｊ）は、ｔ番目のデータがｊ番目のセルに入れば１、
そうでなければ０をとる。この更新を全てのセルについ
て行う。
【００４９】ｐ(t) （１），……，ｐ(t) （Ｎ） をヒストグラムの新しいパラメータとして更新する。こ
れらの値はヒストグラム記憶装置５２に送られる。ヒス
トグラム記憶装置５２は過去の幾つかのパラメータ値を
記憶しており、それらの一部を出力する（ステップＳ５
３）。
れらの値はヒストグラム記憶装置５２に送られる。ヒス
トグラム記憶装置５２は過去の幾つかのパラメータ値を
記憶しており、それらの一部を出力する（ステップＳ５
３）。
【００５０】パラメータ更新装置５１は、各ステップで
ｔ時刻前のデータに、（１−ｒ）tだけの重みを掛けて
算出している。この重み付けは、過去のデータほど徐々
に忘れていくことを示しており、忘却しながら学習する
アルゴリズムが装置の中で実現されている。これによ
り、ユーザパターンの変化に柔軟に追随することが可能
となる。
ｔ時刻前のデータに、（１−ｒ）tだけの重みを掛けて
算出している。この重み付けは、過去のデータほど徐々
に忘れていくことを示しており、忘却しながら学習する
アルゴリズムが装置の中で実現されている。これによ
り、ユーザパターンの変化に柔軟に追随することが可能
となる。
【００５１】なお、忘却型ヒストグラムとは、カテゴリ
変数上の確率分布を表し、連続変数上の確率密度関数と
同様に、データの発生機構の統計的性質を表現するもの
である。よって、この「忘却型ヒストグラム計算装置」
と「外れ値度計算装置」との関係は、上述した「確率密
度推定装置」と「外れ値度計算装置」との関係と全く同
一である。すなわち、「忘却型ヒストグラム計算装置」
でデータの発生機構の統計的計算を表現し、これに基づ
いて「外れ値度計算装置」が入力データがいかにデータ
発生機構の性質から外れているかを「外れ値度」として
計算することになる。
変数上の確率分布を表し、連続変数上の確率密度関数と
同様に、データの発生機構の統計的性質を表現するもの
である。よって、この「忘却型ヒストグラム計算装置」
と「外れ値度計算装置」との関係は、上述した「確率密
度推定装置」と「外れ値度計算装置」との関係と全く同
一である。すなわち、「忘却型ヒストグラム計算装置」
でデータの発生機構の統計的計算を表現し、これに基づ
いて「外れ値度計算装置」が入力データがいかにデータ
発生機構の性質から外れているかを「外れ値度」として
計算することになる。
【００５２】そこで、図１１に図９に示した忘却型ヒス
トグラム計算装置を使用した外れ値度計算装置の全体構
成を示しており、図１２はその動作フローである。入力
部６０からの離散値データは忘却型ヒストグラム計算装
置６１とスコア計算装置６２とに順次入力される（ステ
ップＳ６１）。忘却型ヒストグラム計算装置６１には、
スコア計算装置６２が接続され、忘却型ヒストグラム計
算装置６１は入力データからヒストグラムのパラメータ
値を出力し（ステップＳ６２）、スコア計算装置６２に
送る。スコア計算装置６２は入力データと忘却型ヒスト
グラム計算装置６１の出力を入力として、入力データの
外れ値度合のスコアを計算する（ステップＳ６３）。
トグラム計算装置を使用した外れ値度計算装置の全体構
成を示しており、図１２はその動作フローである。入力
部６０からの離散値データは忘却型ヒストグラム計算装
置６１とスコア計算装置６２とに順次入力される（ステ
ップＳ６１）。忘却型ヒストグラム計算装置６１には、
スコア計算装置６２が接続され、忘却型ヒストグラム計
算装置６１は入力データからヒストグラムのパラメータ
値を出力し（ステップＳ６２）、スコア計算装置６２に
送る。スコア計算装置６２は入力データと忘却型ヒスト
グラム計算装置６１の出力を入力として、入力データの
外れ値度合のスコアを計算する（ステップＳ６３）。
【００５３】この場合におけるスコアの計算法として
は、連続値データの場合と同様、平方距離、Hellinger
距離、対数損失等を用いる。但し、ヒストグラムでは、
ｊ番目のセルに入るデータｘについての時刻ｔにおける
確率値をｐ(t) （ｘ）＝ｐ(t)（ｊ）／Ｌj で計算す
る。ここに、Ｌj はｊ番目のセルに入る点の数であり、
ｐ(t) （ｊ）は時刻ｔにおけるｊ番目のセルの確率値
である。これを利用して、平方距離ｄs （ｐ(t) ，ｐ
(t-1) ）と、Hellinger 距離ｄh （ｐ(t) ，ｐ( t-1)
）とは、それぞれ、
は、連続値データの場合と同様、平方距離、Hellinger
距離、対数損失等を用いる。但し、ヒストグラムでは、
ｊ番目のセルに入るデータｘについての時刻ｔにおける
確率値をｐ(t) （ｘ）＝ｐ(t)（ｊ）／Ｌj で計算す
る。ここに、Ｌj はｊ番目のセルに入る点の数であり、
ｐ(t) （ｊ）は時刻ｔにおけるｊ番目のセルの確率値
である。これを利用して、平方距離ｄs （ｐ(t) ，ｐ
(t-1) ）と、Hellinger 距離ｄh （ｐ(t) ，ｐ( t-1)
）とは、それぞれ、
【数１４】 で計算する。
【００５４】スコア計算装置６２がこれらを計算するに
は、忘却型ヒストグラム計算装置６１から、ｐ(t) と
ｐ(t-1) とのパラメータ値をもらうように設定する。
また、対数損失は時刻ｔの入力データｘt に対して、 −ｌｏｇｐ(t-1) （ｘt ） で計算する。
は、忘却型ヒストグラム計算装置６１から、ｐ(t) と
ｐ(t-1) とのパラメータ値をもらうように設定する。
また、対数損失は時刻ｔの入力データｘt に対して、 −ｌｏｇｐ(t-1) （ｘt ） で計算する。
【００５５】以上のスコアは推定された分布の変化を統
計的距離で計ったもの、あるいは入力データの推定され
た分布に対する対数損失という意味を有し、いずれも統
計的意味が明瞭である。
計的距離で計ったもの、あるいは入力データの推定され
た分布に対する対数損失という意味を有し、いずれも統
計的意味が明瞭である。
【００５６】図１３は図１に示した正規混合分布の確率
密度推定装置と図９に示した忘却型ヒストグラム計算装
置とを用いた本発明の他の外れ値度計算装置の実施例の
全体構成図であり、図１４はその動作フローである。離
散値変量と連続値変量の両者で記述された入力データは
忘却型ヒストグラム計算装置７１とセル判別装置７３と
スコア計算装置７４に順次入力される（ステップＳ７
１）。セル判別装置７３にはＮ個の正規混合分布用の確
率密度計算装置７２１〜７２Ｎが接続されている。ここ
に、Ｎは忘却型ヒストグラム計算装置７１のヒストグラ
ムでセルの数である。全ての確率密度計算装置７２１〜
７２Ｎと忘却型ヒストグラム計算装置７１にスコア計算
装置７４が接続されている。
密度推定装置と図９に示した忘却型ヒストグラム計算装
置とを用いた本発明の他の外れ値度計算装置の実施例の
全体構成図であり、図１４はその動作フローである。離
散値変量と連続値変量の両者で記述された入力データは
忘却型ヒストグラム計算装置７１とセル判別装置７３と
スコア計算装置７４に順次入力される（ステップＳ７
１）。セル判別装置７３にはＮ個の正規混合分布用の確
率密度計算装置７２１〜７２Ｎが接続されている。ここ
に、Ｎは忘却型ヒストグラム計算装置７１のヒストグラ
ムでセルの数である。全ての確率密度計算装置７２１〜
７２Ｎと忘却型ヒストグラム計算装置７１にスコア計算
装置７４が接続されている。
【００５７】忘却型ヒストグラム計算装置７１は入力デ
ータの離散データ部分だけからヒストグラムのパラメー
タを計算し（ステップＳ７２）、これをスコア計算装置
７４に送る。セル判別装置７３は入力データの離散デー
タ部分がヒストグラムのどのセルに属するのかを判別し
て（ステップＳ７３）、対応する確率密度推定装置に連
続データ部分を送り込む。
ータの離散データ部分だけからヒストグラムのパラメー
タを計算し（ステップＳ７２）、これをスコア計算装置
７４に送る。セル判別装置７３は入力データの離散デー
タ部分がヒストグラムのどのセルに属するのかを判別し
て（ステップＳ７３）、対応する確率密度推定装置に連
続データ部分を送り込む。
【００５８】確率密度計算装置７２１〜７２Ｎは入力デ
ータが送り込まれたときにだけ、確率密度のパラメータ
を計算し（ステップＳ７４）、これをスコア計算装置７
４に送り込む。スコア計算装置７４は入力データと忘却
型ヒストグラム計算装置７１の出力と確率密度計算装置
７２１〜７２Ｎのいずれかからの出力を入力として、も
との入力データのスコアを計算し（ステップＳ７５）、
これを出力とする（ステップＳ７６）。
ータが送り込まれたときにだけ、確率密度のパラメータ
を計算し（ステップＳ７４）、これをスコア計算装置７
４に送り込む。スコア計算装置７４は入力データと忘却
型ヒストグラム計算装置７１の出力と確率密度計算装置
７２１〜７２Ｎのいずれかからの出力を入力として、も
との入力データのスコアを計算し（ステップＳ７５）、
これを出力とする（ステップＳ７６）。
【００５９】スコア計算装置７４はスコアを、例えば、
確率分布の変化度合をHellinger 距離で測るか、または
入力データに対する確率分布の負対数尤度（対数損失）
で計算する。カテゴリカル変数をまとめたベクトルを
ｘ、連続値変数をまとめたベクトルをｙとする。ｘとｙ
の同時分布を以下のように表す。 ｐ（ｘ，ｙ）＝ｐ（ｘ）ｐ（ｙ｜ｘ） ここに、ｐ（ｘ）はｘの確率分布を表す。これはヒスト
グラム密度で表される。ｐ（ｙ｜ｘ）はｘが与えられた
もとでのｙの条件付き確率分布を表す。これは、分割領
域のそれぞれに対して備えられる。新しい入力データＤ
t ＝（ｘt ，ｙt）に対して、Hellinger 距離は以下で
計算する。
確率分布の変化度合をHellinger 距離で測るか、または
入力データに対する確率分布の負対数尤度（対数損失）
で計算する。カテゴリカル変数をまとめたベクトルを
ｘ、連続値変数をまとめたベクトルをｙとする。ｘとｙ
の同時分布を以下のように表す。 ｐ（ｘ，ｙ）＝ｐ（ｘ）ｐ（ｙ｜ｘ） ここに、ｐ（ｘ）はｘの確率分布を表す。これはヒスト
グラム密度で表される。ｐ（ｙ｜ｘ）はｘが与えられた
もとでのｙの条件付き確率分布を表す。これは、分割領
域のそれぞれに対して備えられる。新しい入力データＤ
t ＝（ｘt ，ｙt）に対して、Hellinger 距離は以下で
計算する。
【００６０】
【数１５】 これらは直ちに、Ｔを正の整数としてｐ(t) とｐ(t-T)
の距離に一般化される。
の距離に一般化される。
【００６１】また、対数損失は以下で計算する。
【数１６】
【００６２】図１５は図５のカーネル混合分布による確
率密度推定装置と図９に示した忘却型ヒストグラム計算
装置とを使用した本発明の外れ値度計算装置の全体構成
図であり、図１６はその動作フローである。離散値変量
と連続値変量の両者で記述された入力データは忘却型ヒ
ストグラム計算装置８１とセル判別装置８３とスコア計
算装置８４に順次入力される（ステップＳ８１）。セル
判別装置８３にはＮ個のカーネル混合分布用の確率密度
計算装置８２１〜８２Ｎが接続されている。ここに、Ｎ
は忘却型ヒストグラム計算装置８１のヒストグラムでセ
ルの数である。
率密度推定装置と図９に示した忘却型ヒストグラム計算
装置とを使用した本発明の外れ値度計算装置の全体構成
図であり、図１６はその動作フローである。離散値変量
と連続値変量の両者で記述された入力データは忘却型ヒ
ストグラム計算装置８１とセル判別装置８３とスコア計
算装置８４に順次入力される（ステップＳ８１）。セル
判別装置８３にはＮ個のカーネル混合分布用の確率密度
計算装置８２１〜８２Ｎが接続されている。ここに、Ｎ
は忘却型ヒストグラム計算装置８１のヒストグラムでセ
ルの数である。
【００６３】全ての確率密度計算装置８２１〜８２Ｎと
忘却型ヒストグラム計算装置８１にスコア計算装置８４
が接続されている。忘却型ヒストグラム計算装置８１は
入力データの離散データ部分だけからヒストグラムのパ
ラメータを計算し（ステップＳ８２）、これをスコア計
算装置８４に送る。セル判別装置８３は入力データの離
散データ部分がヒストグラムのどのセルに属するのかを
判別して（ステップＳ８３）、対応する確率密度推定装
置に連続データ部分を送り込む。確率密度計算装置８２
１〜８２Ｎは入力データが送り込まれたときにだけ、確
率密度のパラメータを計算し（ステップＳ８４）、これ
をスコア計算装置８４に送り込む（ステップＳ８５）。
忘却型ヒストグラム計算装置８１にスコア計算装置８４
が接続されている。忘却型ヒストグラム計算装置８１は
入力データの離散データ部分だけからヒストグラムのパ
ラメータを計算し（ステップＳ８２）、これをスコア計
算装置８４に送る。セル判別装置８３は入力データの離
散データ部分がヒストグラムのどのセルに属するのかを
判別して（ステップＳ８３）、対応する確率密度推定装
置に連続データ部分を送り込む。確率密度計算装置８２
１〜８２Ｎは入力データが送り込まれたときにだけ、確
率密度のパラメータを計算し（ステップＳ８４）、これ
をスコア計算装置８４に送り込む（ステップＳ８５）。
【００６４】スコア計算装置８４は入力データと忘却型
ヒストグラム計算装置８１の出力と確率密度計算装置８
２１〜８２Ｎのいずれかからの出力を入力として、もと
の入力データのスコアを計算し、これを出力とする（ス
テップＳ８６）。スコアの計算方法は図１３に示した外
れ値度計算装置と同様である。
ヒストグラム計算装置８１の出力と確率密度計算装置８
２１〜８２Ｎのいずれかからの出力を入力として、もと
の入力データのスコアを計算し、これを出力とする（ス
テップＳ８６）。スコアの計算方法は図１３に示した外
れ値度計算装置と同様である。
【図１】本発明による確率密度推定装置（正規混合分
布）の一例の構成を示す図である。
布）の一例の構成を示す図である。
【図２】図１の装置の動作フロー図である。
【図３】図１の装置を使用した外れ値度計算装置の例を
示す構成図である。
示す構成図である。
【図４】図３の装置の動作フロー図である。
【図５】本発明による確率密度推定装置（混合カーネル
分布）の一例の構成を示す図である。
分布）の一例の構成を示す図である。
【図６】図５の装置の動作フロー図である。
【図７】図６の装置を使用した外れ値度計算装置の例を
示す構成図である。
示す構成図である。
【図８】図７の装置の動作フロー図である。
【図９】本発明による忘却型ヒストグラム計算装置の一
例の構成を示す図である。
例の構成を示す図である。
【図１０】図９の装置の動作フロー図である。
【図１１】図１０の装置を使用した外れ値度計算装置の
例を示す構成図である。
例を示す構成図である。
【図１２】図１１の装置の動作フロー図である。
【図１３】図１および図９の装置を使用した外れ値度計
算装置の例を示す構成図である。
算装置の例を示す構成図である。
【図１４】図１３の装置の動作フロー図である。
【図１５】図５および図９の装置を使用した外れ値度計
算装置の例を示す構成図である。
算装置の例を示す構成図である。
【図１６】図１５の装置の動作フロー図である。
１１ 確からしさ計算装置 １２，３１ パラメータ書換え装置 １３，３２ パラメータ記憶装置 ２１，７２１〜７２Ｎ 確率密度推定装置（正規混合分
布） ２２，４２，６２，７４，８４ スコア計算装置 ４１，８２１〜８２Ｎ 確率密度推定装置（混合カーネ
ル分布） ５１ パラメータ更新装置 ５２ ヒストグラム記憶装置 ６１，７１，８１ 忘却型ヒストグラム計算装置 ７３，８３ セル判別装置
布） ２２，４２，６２，７４，８４ スコア計算装置 ４１，８２１〜８２Ｎ 確率密度推定装置（混合カーネ
ル分布） ５１ パラメータ更新装置 ５２ ヒストグラム記憶装置 ６１，７１，８１ 忘却型ヒストグラム計算装置 ７３，８３ セル判別装置
Claims (8)
- 【請求項１】 実数ベクトル値のデータ列を入力とし
て、各データの外れ値度合いを順次検出する外れ値度計
算装置に使用され、前記データ列を順次読み込みつつ該
データが発生する確率分布を正規分布の有限混合分布を
用いて推定する確率密度推定装置であって、有限個の正
規分布密度の各々の平均パラメータと分散パラメータの
値および各正規分布の重みを記憶するパラメータ記憶手
段と、入力データの値に対して、前記記憶手段からパラ
メータの値を読み込んで、各正規分布から該入力データ
が発生した確からしさを計算する確からしさ計算手段
と、該確からしさ計算手段から確からしさを読み込み、
各正規分布の平均と分散パラメータの値および各正規分
布の重みパラメータを前記パラメータ記憶手段から読み
込み、新たに読み込んだデータに応じて過去のデータを
忘却しつつ更新して該記憶手段の内容を書き換えるパラ
メータ書換え手段とを含むことを特徴とする確率密度推
定装置。 - 【請求項２】 請求項１記載の確率密度推定装置と、該
確率密度推定装置により更新された有限混合分布のパラ
メータを使用して、この更新前後のパラメータの値およ
び入力データから推定された確率分布に基づいて前記デ
ータの外れ値度合いを計算して出力する外れ値度計算手
段とを含むことを特徴とする外れ値度計算装置。 - 【請求項３】 実数ベクトル値のデータ列を入力とし
て、各データの外れ値度合いを順次検出する外れ値度計
算装置に使用され、前記データ列を順次読み込みつつ該
データが発生する確率分布を有限個の正規カーネル分布
を用いて推定する確率密度推定装置であって、各カーネ
ルの位置を表すパラメータの値を記憶するパラメータ記
憶手段と、該記憶手段からパラメータの値を読み込ん
で、新たに読み込んだデータに応じて過去のデータを忘
却しつつ更新して該パラメータ記憶手段の内容を書き換
えるパラメータ書換え手段とを含むことを特徴とする確
率密度推定装置。 - 【請求項４】 請求項３の確率密度推定装置と、該確率
密度推定装置により更新された前記パラメータを使用し
て、更新前後のパラメータの値および入力データから推
定された確率分布に基づいて前記データの外れ値度合い
を計算して出力する外れ値度計算手段とを含むことを特
徴とする外れ値度計算装置。 - 【請求項５】 離散値データを入力として、各データの
外れ値度合いを順次検出する外れ値度計算装置に使用さ
れ、順次入力される前記離散値データに対してヒストグ
ラムのパラメータを計算する忘却型ヒストグラム計算装
置であって、前記ヒストグラムのパラメータ値を記憶す
る記憶手段と、該記憶手段から前記パラメータ値を読み
出して、入力データに基づいて過去のパラメータ値を忘
却しつつ更新して前記記憶手段の値を書き換えるパラメ
ータ更新手段とを備え、前記記憶手段のパラメータ値の
幾つかを出力するようにしたことを特徴とする忘却型ヒ
ストグラム計算装置。 - 【請求項６】 請求項５記載の忘却型ヒストグラム計算
装置と、該忘却型ヒストグラム計算装置の出力と前記入
力データから前記ヒストグラムに対する該入力データの
スコアを計算するスコア計算手段とを含み、該スコア計
算手段の出力を前記入力データの外れ値度として出力す
るようにしたことを特徴とする外れ値度計算装置。 - 【請求項７】 順次入力される離散値変量と連続値変量
の両者で記述されたデータに対してその外れ値度を計算
する外れ値度計算装置であって、離散値データ部分に対
してヒストグラムを推定する請求項５記載の忘却型ヒス
トグラム計算装置と、前記ヒストグラムのセルの数と同
じ数だけそれぞれ対応して設けられ、連続値データ部分
に対して確率密度を推定する請求項１記載の確率密度推
定装置と、前記離散値データ部分が前記ヒストグラムの
どのセルに属するのかを判別して、対応する前記確率密
度推定装置に連続データ部分を送り込むセル判別手段
と、前記忘却型ヒストグラム計算装置と前記確率密度推
定装置との出力値と前記入力データとから、推定された
確率分布に基づいて前記入力データのスコアを計算する
スコア計算手段とを含み、該スコア計算手段の出力を前
記入力データの外れ値度として出力するようにしたこと
を特徴とする外れ値度計算装置。 - 【請求項８】 順次入力される離散値変量と連続値変量
との両者で記述されたデータに対して、その外れ値度を
計算する外れ値度掲載装置であって、前記離散値データ
部分に対してヒストグラムを推定する請求項５の忘却型
ヒストグラム計算装置と、前記ヒストグラムのセルの数
と同じ数だけそれぞれ対応して設けられ、連続値データ
部分に対して確率密度を推定する請求項３記載の確率密
度推定装置と、前記離散値データ部分がヒストグラムの
どのセルに属するのかを判別して、対応する前記確率密
度推定装置に連続データ部分を送り込むセル判別手段
と、前記忘却型ヒストグラム計算装置と前記確率密度推
定装置との出力値と前記入力データとから、推定された
確率分布に基づいて前記入力データのスコアを計算する
スコア計算手段とを含み、該スコア計算手段の出力を前
記入力データの外れ値度として出力するようにしたこと
を特徴とする外れ値度計算装置。
Priority Applications (5)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27543799A JP3506068B2 (ja) | 1999-09-29 | 1999-09-29 | 外れ値度計算装置 |
| AU61357/00A AU769001B2 (en) | 1999-09-29 | 2000-09-28 | Degree of outlier calculation device, and probability density estimation device and histogram calculation device for use therein |
| GB0023805A GB2361336A (en) | 1999-09-29 | 2000-09-28 | Degree of outlier calculation device, and probability density estimation device and histogram calculation device for use therein |
| IL13874400A IL138744A0 (en) | 1999-09-29 | 2000-09-28 | Degree of outlier calculation device and probability density estimation device and histogram calculation device for use therein |
| US09/675,637 US7333923B1 (en) | 1999-09-29 | 2000-09-29 | Degree of outlier calculation device, and probability density estimation device and forgetful histogram calculation device for use therein |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| JP27543799A JP3506068B2 (ja) | 1999-09-29 | 1999-09-29 | 外れ値度計算装置 |
Related Child Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP2003336648A Division JP4662702B2 (ja) | 2003-09-29 | 2003-09-29 | 外れ値度計算装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| JP2001101154A true JP2001101154A (ja) | 2001-04-13 |
| JP3506068B2 JP3506068B2 (ja) | 2004-03-15 |
Family
ID=17555519
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| JP27543799A Expired - Lifetime JP3506068B2 (ja) | 1999-09-29 | 1999-09-29 | 外れ値度計算装置 |
Country Status (5)
| Country | Link |
|---|---|
| US (1) | US7333923B1 (ja) |
| JP (1) | JP3506068B2 (ja) |
| AU (1) | AU769001B2 (ja) |
| GB (1) | GB2361336A (ja) |
| IL (1) | IL138744A0 (ja) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU769001B2 (en) * | 1999-09-29 | 2004-01-15 | Nec Corporation | Degree of outlier calculation device, and probability density estimation device and histogram calculation device for use therein |
| JP2004309998A (ja) * | 2003-02-18 | 2004-11-04 | Nec Corp | 確率分布推定装置および異常行動検出装置，ならびにその確率分布推定方法および異常行動検出方法 |
| JP2004348740A (ja) * | 2003-05-22 | 2004-12-09 | Microsoft Corp | 異常検出のための自己学習方法及びシステム |
| WO2006129792A1 (ja) * | 2005-06-02 | 2006-12-07 | Nec Corporation | 異常検出方法およびシステム、並びに、保全方法およびシステム |
| JP2007265141A (ja) * | 2006-03-29 | 2007-10-11 | Nec Corp | 監視項目絞込み装置、監視項目絞込み方法、および、監視項目絞込みプログラム |
| US7346593B2 (en) | 2002-07-17 | 2008-03-18 | Nec Corporation | Autoregressive model learning device for time-series data and a device to detect outlier and change point using the same |
| US7353214B2 (en) | 2001-06-27 | 2008-04-01 | Nec Corporation | Outlier determination rule generation device and outlier detection device, and outlier determination rule generation method and outlier detection method thereof |
| JP2011040064A (ja) * | 2003-11-12 | 2011-02-24 | Trustees Of Columbia Univ In The City Of New York | 正常データのｎグラム分布を用いてペイロード異常を検出するための装置、方法、及び媒体 |
| JP2012237719A (ja) * | 2011-05-13 | 2012-12-06 | Kddi Corp | 気圧センサを用いて昇降移動状態を推定する携帯装置、プログラム及び方法 |
| JP2016189062A (ja) * | 2015-03-30 | 2016-11-04 | 有限責任監査法人トーマツ | 異常検出装置、異常検出方法及びネットワーク異常検出システム |
| KR101753474B1 (ko) | 2014-08-06 | 2017-07-04 | 아마데우스 에스.에이.에스. | 예측적 사기 스크리닝 |
| CN109900422A (zh) * | 2019-01-02 | 2019-06-18 | 同济大学 | 一种基于图形的多泵合流流量脉动特性检测方法 |
| JP2019101982A (ja) * | 2017-12-07 | 2019-06-24 | 日本電信電話株式会社 | 学習装置、検知システム、学習方法及び学習プログラム |
| CN111602410A (zh) * | 2018-02-27 | 2020-08-28 | 欧姆龙株式会社 | 适合性判定装置、适合性判定方法和程序 |
| WO2022044301A1 (en) * | 2020-08-28 | 2022-03-03 | Nec Corporation | Information processing apparatus, information processing method, and computer readable medium |
| JP7326179B2 (ja) | 2020-02-06 | 2023-08-15 | 株式会社国際電気通信基礎技術研究所 | 通信状況推定装置、通信状況推定方法、および、プログラム |
Families Citing this family (32)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP4265296B2 (ja) * | 2003-06-13 | 2009-05-20 | 日本電気株式会社 | 変化点検出装置，変化点検出方法および変化点検出用プログラム |
| US7716135B2 (en) * | 2004-01-29 | 2010-05-11 | International Business Machines Corporation | Incremental compliance environment, an enterprise-wide system for detecting fraud |
| US20060203267A1 (en) * | 2005-03-10 | 2006-09-14 | Kabushiki Kaisha Toshiba | Image forming apparatus and image forming method |
| US7930739B1 (en) * | 2005-05-24 | 2011-04-19 | Symantec Corporation | Scaled scanning parameterization |
| US7512574B2 (en) * | 2005-09-30 | 2009-03-31 | International Business Machines Corporation | Consistent histogram maintenance using query feedback |
| JP4914164B2 (ja) * | 2006-10-05 | 2012-04-11 | 日立Ｇｅニュークリア・エナジー株式会社 | 事業情報管理システム、事業情報管理方法および事業情報管理プログラム |
| US8364572B2 (en) * | 2006-11-16 | 2013-01-29 | Protégé Partners, LLC | Method and system for evaluating pricing of assets |
| US20090192784A1 (en) * | 2008-01-24 | 2009-07-30 | International Business Machines Corporation | Systems and methods for analyzing electronic documents to discover noncompliance with established norms |
| US8090648B2 (en) * | 2009-03-04 | 2012-01-03 | Fair Isaac Corporation | Fraud detection based on efficient frequent-behavior sorted lists |
| US9253544B2 (en) * | 2009-07-20 | 2016-02-02 | Verimatrix, Inc. | Systems and methods for detecting clone playback devices |
| US8296205B2 (en) * | 2010-01-06 | 2012-10-23 | Fair Isaac Corporation | Connecting decisions through customer transaction profiles |
| US9659063B2 (en) * | 2010-12-17 | 2017-05-23 | Software Ag | Systems and/or methods for event stream deviation detection |
| CN103167202B (zh) * | 2011-12-19 | 2014-12-24 | 中国移动通信集团甘肃有限公司 | 一种不同源话单稽核方法和装置 |
| US9200918B2 (en) * | 2012-03-09 | 2015-12-01 | Apple Inc. | Intelligent destination recommendations based on historical data |
| WO2013171474A2 (en) | 2012-05-15 | 2013-11-21 | University Of Lancaster | Anomalous system state identification |
| US20140081652A1 (en) * | 2012-09-14 | 2014-03-20 | Risk Management Solutions Llc | Automated Healthcare Risk Management System Utilizing Real-time Predictive Models, Risk Adjusted Provider Cost Index, Edit Analytics, Strategy Management, Managed Learning Environment, Contact Management, Forensic GUI, Case Management And Reporting System For Preventing And Detecting Healthcare Fraud, Abuse, Waste And Errors |
| US9544204B1 (en) * | 2012-09-17 | 2017-01-10 | Amazon Technologies, Inc. | Determining the average reading speed of a user |
| US10531251B2 (en) | 2012-10-22 | 2020-01-07 | United States Cellular Corporation | Detecting and processing anomalous parameter data points by a mobile wireless data network forecasting system |
| US20170024358A1 (en) * | 2014-04-15 | 2017-01-26 | Biometrix Pty Ltd. | Method of processing statistical data |
| US20150348202A1 (en) * | 2014-05-29 | 2015-12-03 | Fair Isaac Corporation | Insurance Claim Outlier Detection with Kernel Density Estimation |
| CN105629310B (zh) * | 2014-11-05 | 2018-07-13 | 中国石油天然气股份有限公司 | 碳酸盐岩储层的无井约束地质统计学反演的方法和装置 |
| US20170147941A1 (en) * | 2015-11-23 | 2017-05-25 | Alexander Bauer | Subspace projection of multi-dimensional unsupervised machine learning models |
| CN105550510A (zh) * | 2015-12-11 | 2016-05-04 | 同济大学 | 一种双泵合流流量脉动特性提取方法 |
| CN105574329A (zh) * | 2015-12-11 | 2016-05-11 | 同济大学 | 基于周期分段函数移相叠加算法的脉动概率密度获取方法 |
| US9792259B2 (en) | 2015-12-17 | 2017-10-17 | Software Ag | Systems and/or methods for interactive exploration of dependencies in streaming data |
| US10482196B2 (en) * | 2016-02-26 | 2019-11-19 | Nvidia Corporation | Modeling point cloud data using hierarchies of Gaussian mixture models |
| CN105933164B (zh) * | 2016-06-28 | 2019-04-09 | 中国联合网络通信集团有限公司 | 出度计算方法及其装置、新增中继的选择方法及其系统 |
| CN106326467B (zh) * | 2016-08-31 | 2019-07-26 | 湖南德立信软件开发有限公司 | 基于非线性数据归档组卷的方法 |
| US11475310B1 (en) | 2016-11-29 | 2022-10-18 | Perceive Corporation | Training network to minimize worst-case error |
| US11537870B1 (en) * | 2018-02-07 | 2022-12-27 | Perceive Corporation | Training sparse networks with discrete weight values |
| US20210201403A1 (en) * | 2019-12-30 | 2021-07-01 | Royal Bank Of Canada | System and method for reconciliation of electronic data processes |
| JP7205514B2 (ja) * | 2020-03-31 | 2023-01-17 | 横河電機株式会社 | 学習データ処理装置、学習データ処理方法、学習データ処理プログラム、及び非一時的なコンピュータ読み取り可能な媒体 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06325009A (ja) * | 1993-05-17 | 1994-11-25 | Ricoh Co Ltd | 学習機械およびそれを用いたデータ分析装置 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5832182A (en) * | 1996-04-24 | 1998-11-03 | Wisconsin Alumni Research Foundation | Method and system for data clustering for very large databases |
| US5813002A (en) * | 1996-07-31 | 1998-09-22 | International Business Machines Corporation | Method and system for linearly detecting data deviations in a large database |
| US6003029A (en) * | 1997-08-22 | 1999-12-14 | International Business Machines Corporation | Automatic subspace clustering of high dimensional data for data mining applications |
| US6055491A (en) * | 1997-10-17 | 2000-04-25 | At&T Corp. | Method and apparatus for analyzing co-evolving time sequences |
| US6466894B2 (en) * | 1998-06-18 | 2002-10-15 | Nec Corporation | Device, method, and medium for predicting a probability of an occurrence of a data |
| US6904409B1 (en) * | 1999-06-01 | 2005-06-07 | Lucent Technologies Inc. | Method for constructing an updateable database of subject behavior patterns |
| JP3506068B2 (ja) * | 1999-09-29 | 2004-03-15 | 日本電気株式会社 | 外れ値度計算装置 |
| US6601014B1 (en) * | 1999-11-30 | 2003-07-29 | Cerebrus Solutions Ltd. | Dynamic deviation |
| JP3832281B2 (ja) * | 2001-06-27 | 2006-10-11 | 日本電気株式会社 | 外れ値ルール生成装置と外れ値検出装置、その外れ値ルール生成方法と外れ値検出方法及びそのプログラム |
| JP3821225B2 (ja) * | 2002-07-17 | 2006-09-13 | 日本電気株式会社 | 時系列データに対する自己回帰モデル学習装置並びにそれを用いた外れ値および変化点の検出装置 |
| JP2004309998A (ja) * | 2003-02-18 | 2004-11-04 | Nec Corp | 確率分布推定装置および異常行動検出装置，ならびにその確率分布推定方法および異常行動検出方法 |
| IL161217A (en) * | 2004-04-01 | 2013-03-24 | Cvidya 2010 Ltd | Detection of outliers in communication networks |
-
1999
- 1999-09-29 JP JP27543799A patent/JP3506068B2/ja not_active Expired - Lifetime
-
2000
- 2000-09-28 AU AU61357/00A patent/AU769001B2/en not_active Ceased
- 2000-09-28 IL IL13874400A patent/IL138744A0/xx unknown
- 2000-09-28 GB GB0023805A patent/GB2361336A/en not_active Withdrawn
- 2000-09-29 US US09/675,637 patent/US7333923B1/en not_active Expired - Fee Related
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH06325009A (ja) * | 1993-05-17 | 1994-11-25 | Ricoh Co Ltd | 学習機械およびそれを用いたデータ分析装置 |
Cited By (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| AU769001B2 (en) * | 1999-09-29 | 2004-01-15 | Nec Corporation | Degree of outlier calculation device, and probability density estimation device and histogram calculation device for use therein |
| US7353214B2 (en) | 2001-06-27 | 2008-04-01 | Nec Corporation | Outlier determination rule generation device and outlier detection device, and outlier determination rule generation method and outlier detection method thereof |
| US7346593B2 (en) | 2002-07-17 | 2008-03-18 | Nec Corporation | Autoregressive model learning device for time-series data and a device to detect outlier and change point using the same |
| JP2004309998A (ja) * | 2003-02-18 | 2004-11-04 | Nec Corp | 確率分布推定装置および異常行動検出装置，ならびにその確率分布推定方法および異常行動検出方法 |
| US7561991B2 (en) | 2003-02-18 | 2009-07-14 | Nec Corporation | Detection of abnormal behavior using probabilistic distribution estimation |
| JP2004348740A (ja) * | 2003-05-22 | 2004-12-09 | Microsoft Corp | 異常検出のための自己学習方法及びシステム |
| JP2011040064A (ja) * | 2003-11-12 | 2011-02-24 | Trustees Of Columbia Univ In The City Of New York | 正常データのｎグラム分布を用いてペイロード異常を検出するための装置、方法、及び媒体 |
| US8611228B2 (en) | 2005-06-02 | 2013-12-17 | Nec Corporation | Anomaly detection method and system and maintenance method and system |
| WO2006129792A1 (ja) * | 2005-06-02 | 2006-12-07 | Nec Corporation | 異常検出方法およびシステム、並びに、保全方法およびシステム |
| CN101189895B (zh) * | 2005-06-02 | 2012-09-26 | 日本电气株式会社 | 异常检测方法和系统以及维护方法和系统 |
| JP2007265141A (ja) * | 2006-03-29 | 2007-10-11 | Nec Corp | 監視項目絞込み装置、監視項目絞込み方法、および、監視項目絞込みプログラム |
| JP2012237719A (ja) * | 2011-05-13 | 2012-12-06 | Kddi Corp | 気圧センサを用いて昇降移動状態を推定する携帯装置、プログラム及び方法 |
| KR101753474B1 (ko) | 2014-08-06 | 2017-07-04 | 아마데우스 에스.에이.에스. | 예측적 사기 스크리닝 |
| JP2016189062A (ja) * | 2015-03-30 | 2016-11-04 | 有限責任監査法人トーマツ | 異常検出装置、異常検出方法及びネットワーク異常検出システム |
| JP2019101982A (ja) * | 2017-12-07 | 2019-06-24 | 日本電信電話株式会社 | 学習装置、検知システム、学習方法及び学習プログラム |
| CN111602410A (zh) * | 2018-02-27 | 2020-08-28 | 欧姆龙株式会社 | 适合性判定装置、适合性判定方法和程序 |
| CN111602410B (zh) * | 2018-02-27 | 2022-04-19 | 欧姆龙株式会社 | 适合性判定装置、适合性判定方法和存储介质 |
| CN109900422A (zh) * | 2019-01-02 | 2019-06-18 | 同济大学 | 一种基于图形的多泵合流流量脉动特性检测方法 |
| JP7326179B2 (ja) | 2020-02-06 | 2023-08-15 | 株式会社国際電気通信基礎技術研究所 | 通信状況推定装置、通信状況推定方法、および、プログラム |
| WO2022044301A1 (en) * | 2020-08-28 | 2022-03-03 | Nec Corporation | Information processing apparatus, information processing method, and computer readable medium |
Also Published As
| Publication number | Publication date |
|---|---|
| AU6135700A (en) | 2001-04-05 |
| JP3506068B2 (ja) | 2004-03-15 |
| US7333923B1 (en) | 2008-02-19 |
| GB2361336A (en) | 2001-10-17 |
| IL138744A0 (en) | 2001-10-31 |
| AU769001B2 (en) | 2004-01-15 |
| GB0023805D0 (en) | 2000-11-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| JP2001101154A (ja) | 外れ値度計算装置及びそれに用いる確率密度推定装置並びに忘却型ヒストグラム計算装置 | |
| Xu et al. | Adaptive ADMM with spectral penalty parameter selection | |
| JP4697670B2 (ja) | 識別用データ学習システム、学習装置、識別装置及び学習方法 | |
| CN109558951B (zh) | 一种欺诈账号检测方法、装置及其存储介质 | |
| WO2020224106A1 (zh) | 基于神经网络的文本分类方法、系统及计算机设备 | |
| CN116596095B (zh) | 基于机器学习的碳排放量预测模型的训练方法及装置 | |
| CN110765292A (zh) | 图像检索方法、训练方法及相关装置 | |
| US7870082B2 (en) | Method for machine learning using online convex optimization problem solving with minimum regret | |
| CN113591915A (zh) | 基于半监督学习和单分类支持向量机的异常流量识别方法 | |
| CN114154557A (zh) | 癌症组织分类方法、装置、电子设备及存储介质 | |
| CN115718826A (zh) | 图结构数据中的目标节点分类方法、系统、设备及介质 | |
| JP2007018530A (ja) | 忘却型ヒストグラム計算装置及びそれを用いた外れ値度計算装置 | |
| CN113822144A (zh) | 一种目标检测方法、装置、计算机设备和存储介质 | |
| JP4662702B2 (ja) | 外れ値度計算装置 | |
| CN116303786A (zh) | 一种基于多维数据融合算法的区块链金融大数据管理系统 | |
| Qu et al. | A robust fuzzy time series forecasting method based on multi‐partition and outlier detection | |
| CN112905166B (zh) | 人工智能编程系统、计算机设备、计算机可读存储介质 | |
| CN115758271A (zh) | 数据处理方法、装置、计算机设备和存储介质 | |
| CN114580534A (zh) | 一种工业数据异常检测方法、装置、电子设备和存储介质 | |
| CN114254738A (zh) | 双层演化的动态图卷积神经网络模型构建方法及应用 | |
| CN111275447A (zh) | 基于自动化特征工程的在线网络支付欺诈检测系统 | |
| Ghari et al. | Graph-aided online multi-kernel learning | |
| US11868337B2 (en) | Systems and methods for correcting label bias in data | |
| Ye et al. | Gaussian weighting reversion strategy for accurate on-line portfolio selection | |
| Liang | Predict Customer Churn based on Machine Learning Algorithms |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| TRDD | Decision of grant or rejection written | ||
| A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20031208 |
|
| R150 | Certificate of patent or registration of utility model |
Ref document number: 3506068 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20071226 Year of fee payment: 4 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20081226 Year of fee payment: 5 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091226 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20091226 Year of fee payment: 6 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101226 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20101226 Year of fee payment: 7 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111226 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20111226 Year of fee payment: 8 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121226 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20121226 Year of fee payment: 9 |
|
| FPAY | Renewal fee payment (event date is renewal date of database) |
Free format text: PAYMENT UNTIL: 20131226 Year of fee payment: 10 |
|
| EXPY | Cancellation because of completion of term |