JP2020013449A - 異常検知装置、異常検知方法、およびプログラム - Google Patents
異常検知装置、異常検知方法、およびプログラム Download PDFInfo
- Publication number
- JP2020013449A JP2020013449A JP2018136642A JP2018136642A JP2020013449A JP 2020013449 A JP2020013449 A JP 2020013449A JP 2018136642 A JP2018136642 A JP 2018136642A JP 2018136642 A JP2018136642 A JP 2018136642A JP 2020013449 A JP2020013449 A JP 2020013449A
- Authority
- JP
- Japan
- Prior art keywords
- distribution
- encoder
- abnormal
- data
- normal
- 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
- 230000005856 abnormality Effects 0.000 title claims abstract description 70
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 112
- 230000002159 abnormal effect Effects 0.000 claims abstract description 63
- 239000013598 vector Substances 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 11
- 239000004744 fabric Substances 0.000 claims 1
- 238000000034 method Methods 0.000 description 40
- 238000000605 extraction Methods 0.000 description 15
- 238000006243 chemical reaction Methods 0.000 description 12
- 238000013500 data storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 239000000284 extract Substances 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000010923 batch production Methods 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/04—Inference or reasoning models
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/088—Non-supervised learning, e.g. competitive learning
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01M—TESTING STATIC OR DYNAMIC BALANCE OF MACHINES OR STRUCTURES; TESTING OF STRUCTURES OR APPARATUS, NOT OTHERWISE PROVIDED FOR
- G01M99/00—Subject matter not provided for in other groups of this subclass
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/10—Speech classification or search using distance or distortion measures between unknown speech and reference templates
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/16—Speech classification or search using artificial neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Automation & Control Theory (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
Abstract
Description
潜在空間を超球面とした場合、超球面上での扱いが簡単な、平面上における正規分布に相当するものとして、フォンミーゼス・フィッシャー分布が有名である。変分オートエンコーダの事前分布をフォンミーゼス・フィッシャー分布とした場合、事後分布と事前分布との間のKLダイバージェンスを求める必要がある。これを解析的に求めることは困難だが、上限値は既に求められているため(参考文献1参照)、これを代わりに用いればよい。
フォンミーゼス・フィッシャー分布は、正規分布のように、他の確率分布に変換できる関係がないことが予想される(参考文献2参照)。したがって、素直にいわゆるreparametrization trickを用いて、多次元正規分布を用いた変分オートエンコーダと同様のモデル構造を取ることができない。そこで、それを回避する2つの構造を用いる。例えば学習の進み具合に応じて構造を切り替えることで、この問題を回避する。
エンコーダは、潜在空間での角度パラメータと集中度パラメータとを出力するものとする。この方式ではエンコーダの出力する集中度パラメータは無視する。角度の表現には、例えば正準オイラー角等を用いる。出力される変数がその範囲内に収まるように、クリッピング等を用いて、-180度から+180度や-90度から+90度の範囲に収まるようにしてもよい。出力された角度パラメータを用いて回転行列を構成する。この回転行列に対して、潜在変数事前分布である、所望の方向ベクトル(パラメータ)と適当な集中度パラメータとをもったフォンミーゼス・フィッシャー分布から生成した乱数を用いて得た値を乗じる。事前分布の方向パラメータは、正常か異常かを代表する点の持つ方向とし、集中度パラメータは任意の定数としてよい。それにより、事前分布で設定した方向ではなく、エンコーダの出力した方向を中心とする乱数が得られるため、それをデコーダに入力することによって変分オートエンコーダを構成する。上記の処理を、計算グラフを用いて構成することで、通常の変分オートエンコーダと同様に勾配を用いた学習を行うことができる。
エンコーダは、方式1同様、潜在空間での角度パラメータと集中度パラメータとを出力するものとする。フォンミーゼス・フィッシャー分布は、集中度パラメータが大きい場合に正規分布と見なせると予想されるから(参考文献3参照)、正規乱数を用いて学習を行う方法が考えられる。まず、次元数が角度パラメータと同じ、平均がゼロベクトルであり、分散共分散行列が単位行列である多変量標準正規分布から乱数を生成する。この乱数と、エンコーダ出力の集中度パラメータをある規則に応じて変換した(集中度パラメータが正規分布の分散の逆数に対応するなどの関係性を用いて正規分布の標準偏差相当に変換するなどを指す)値とを乗じた値を、エンコーダ出力の角度パラメータと加算する。逆にエンコーダが出力するスカラー値を正規分布の対数分散等として扱ってもよく、その場合KLダイバージェンス項に渡す集中度パラメータに変換するにはその値の指数を取った後逆数を取るなどの変換をすればよい。この処理は、方式1と同様のクリッピングと併用してもよく、前後どちらでもよい。そのようにして得られたベクトルから回転行列を構成し、その回転行列に対して、全体で共通した任意の値を持つ固定ベクトル(長さは任意でよいが、簡単のため1とする)を乗じると単位超球面上のベクトルが得られる。その単位超球面上のベクトルをデコーダに入力することで変分オートエンコーダを構成できる。残りの詳細は方式1と同様である。以上の処理を図1に示す。
方式2において、KLダイバージェンス値の計算を簡略化するため、以下のヒューリスティクスを導入してもよい。まず、エンコーダからは、潜在次元数(例えば3)の角度パラメータと、正規分布の対数分散に相当するようなスカラーパラメータを出力する。角度パラメータから回転行列を構成し、全体で共通した任意の値を持つ固定ベクトルと乗算し単位超球面上のベクトルを得ておく。単位超球面上のベクトルと、事前に与えた事前分布のもつ正常または異常を代表する単位超球面上のベクトル(事前分布方向ベクトル)の内積をとり、事前分布方向ベクトルとの類似度とする。この類似度に、事前に与えた事前分布のもつ事前分布集中度値(例えば1)を乗算する。最後に、エンコーダからのスカラーパラメータ(任意の定数倍してよい)の指数を取ったものからこの値を引き、この値を本来のKLダイバージェンスコストの代わりとして用いてもよい。具体的には図3のようになる。
ニューラルネットワークパラメータが乱数か、それに近い学習初期は、潜在空間への射影先が多様体上に薄く広がるような分布になることがあり得るから、集中度パラメータを固定した方式である方式1が適していると想定される。ある程度訓練が進んでいれば、潜在空間内で正常・異常に対応するクラスタが構成されると考えられる。そのような状況、つまり射影結果の分布がある程度狭まっていると考えられる状況では集中度パラメータを大きいと見做して考え、方式2が適していると考えられる。したがって、乱数パラメータを持ったネットワークから学習を開始し、はじめは方式1を用いて学習し、ある程度学習が進んだところで、例えばあらかじめエポック数(学習データを1周する回数)などを決めておき、方式2に切り替える方法が適していると考えられる。
90度に近い出力がある場合に、「ジンバルロック」と呼ばれる不都合が発生することが知られている。これを回避するために、角度パラメータに対して、90度を避けるように、90度やそれに近い値に対して高い値を持つようなコスト関数を設定し、そのコストを損失関数に加算等で追加してもよい。
実施形態の異常検知装置および方法は、正常データおよび異常データからなる学習データを用いて変分オートエンコーダを学習し、その変分オートエンコーダを用いて異常検知の対象とする入力データが正常か異常かを示す異常判定結果を出力する。実施形態の異常検知装置は、図4に例示するように、3個のAD変換部10−1〜10−3、正常データ記憶部11−1、異常データ記憶部11−2、3個の特徴抽出部12−1〜12−3、エンコーダ学習部13、エンコーダ記憶部14、エンコード部15、異常度算出部16、および異常判定部17を備える。さらに、エンコーダ学習部13は、事前分布設定部131、第一学習部132、および第二学習部133を備える。この異常検知装置が、図5に例示する各ステップの処理を行うことにより実施形態の異常検知方法が実現される。
上記実施形態で説明した各装置における各種の処理機能をコンピュータによって実現する場合、各装置が有すべき機能の処理内容はプログラムによって記述される。そして、このプログラムをコンピュータで実行することにより、上記各装置における各種の処理機能がコンピュータ上で実現される。
11−1 正常データ記憶部
11−2 異常データ記憶部
12−1,12−2,12−3 特徴抽出部
13 エンコーダ学習部
131 事前分布設定部
132 第一学習部
133 第二学習部
14 エンコーダ記憶部
15 エンコード部
16 異常度算出部
17 異常判定部
Claims (8)
- 潜在空間を閉じた多様体とし、正常データを学習した正常分布と異常データを学習した異常分布とを上記多様体上にもち、入力された特徴量を上記潜在空間に射影するエンコーダと、上記エンコーダの出力を再構成するデコーダとを記憶するエンコーダ記憶部と、
対象データの特徴量を上記エンコーダへ入力したときに上記デコーダが出力する再構成結果を得るエンコード部と、
上記再構成結果と上記正常分布および上記異常分布との距離に基づいて上記対象データの異常度を算出する異常度算出部と、
を含む異常検知装置。 - 請求項1に記載の異常検知装置であって、
上記エンコーダは角度パラメータと集中度パラメータとを出力するものであり、
上記多様体上の相異なる2つの分布を上記正常分布の事前分布および上記異常分布の事前分布として設定する事前分布設定部と、
上記正常データおよび上記異常データからなる学習データの特徴量を入力したときの上記エンコーダの出力のうち上記集中度パラメータを所定の定数として上記正常分布および上記異常分布を学習する第一学習部と、
上記学習データの特徴量を入力したときに上記エンコーダが出力する上記角度パラメータから構成した回転行列と全体で共通した任意の値を持つ固定ベクトルとを乗算したベクトルと、上記事前分布のもつ方向ベクトルと、上記事前分布のもつ集中度パラメータとから計算したKLダイバージェンス上限値を用いて、上記学習データの特徴量を入力したときに上記エンコーダが出力する上記集中度パラメータを正規分布の標準偏差相当に変換した値に正規分布から生成した乱数を乗じた値を上記エンコーダが出力する上記角度パラメータに加算したベクトルを用いて回転行列を構成し上記正常分布および上記異常分布を学習する第二学習部と、
をさらに含む異常検知装置。 - 請求項1に記載の異常検知装置であって、
上記エンコーダは角度パラメータと正規分布の対数分散に相当するスカラーパラメータとを出力するものであり、
上記多様体上の相異なる2つの分布を上記正常分布の事前分布および上記異常分布の事前分布として設定する事前分布設定部と、
上記正常データおよび上記異常データからなる学習データの特徴量を入力したときの上記エンコーダの出力のうち上記集中度パラメータを所定の定数として上記正常分布および上記異常分布を学習する第一学習部と、
上記学習データの特徴量を入力したときに上記エンコーダが出力する上記角度パラメータから構成した回転行列と全体で共通した任意の値を持つ固定ベクトルとを乗算した単位超球面上のベクトルを得、その単位超球面上のベクトルと上記事前分布のもつ方向ベクトルとの内積に上記事前分布のもつ集中度パラメータを乗算した値を、上記学習データの特徴量を入力したときに上記エンコーダが出力する上記スカラーパラメータの指数から減算した値をKLダイバージェンス値として、上記学習データの特徴量を入力したときに上記エンコーダが出力する上記スカラーパラメータに正規分布から生成した乱数を乗じた値を上記エンコーダが出力する上記角度パラメータに加算したベクトルを用いて回転行列を構成し上記正常分布および上記異常分布を学習する第二学習部と、
をさらに含む異常検知装置。 - 請求項2または3に記載の異常検知装置であって、
上記学習データを用いた上記第一学習部による上記正常分布および上記異常分布の学習を所定の回数繰り返し実行した後、上記学習データを用いた上記第二学習部による上記正常分布および上記異常分布の学習を実行する、
異常検知装置。 - 請求項2から4のいずれかに記載の異常検知装置であって、
上記エンコーダは、上記角度パラメータに90度近傍の値に対して高い値をもつコスト関数が設定されている、
異常検知装置。 - 請求項1から5のいずれかに記載の異常検知装置であって、
上記潜在空間を超球面とし、
上記正常分布および上記異常分布をフォンミーゼス・フィッシャー分布とする、
異常検知装置。 - エンコーダ記憶部に、潜在空間を閉じた多様体とし、正常データを学習した正常分布と異常データを学習した異常分布とを上記多様体上にもち、入力された特徴量を上記潜在空間に射影するエンコーダと、上記エンコーダの出力を再構成するデコーダとが記憶されており、
エンコード部が、対象データの特徴量を上記エンコーダへ入力したときに上記デコーダが出力する再構成結果を得、
異常度算出部が、上記再構成結果と上記正常分布および上記異常分布との距離に基づいて上記対象データの異常度を算出する、
異常検知方法。 - 請求項1から6のいずれかに記載の異常検知装置としてコンピュータを機能させるためのプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018136642A JP6930503B2 (ja) | 2018-07-20 | 2018-07-20 | 異常検知装置、異常検知方法、およびプログラム |
PCT/JP2019/026027 WO2020017285A1 (ja) | 2018-07-20 | 2019-07-01 | 異常検知装置、異常検知方法、およびプログラム |
US17/260,956 US20210326728A1 (en) | 2018-07-20 | 2019-07-01 | Anomaly detection apparatus, anomaly detection method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018136642A JP6930503B2 (ja) | 2018-07-20 | 2018-07-20 | 異常検知装置、異常検知方法、およびプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2020013449A true JP2020013449A (ja) | 2020-01-23 |
JP6930503B2 JP6930503B2 (ja) | 2021-09-01 |
Family
ID=69164299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2018136642A Active JP6930503B2 (ja) | 2018-07-20 | 2018-07-20 | 異常検知装置、異常検知方法、およびプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20210326728A1 (ja) |
JP (1) | JP6930503B2 (ja) |
WO (1) | WO2020017285A1 (ja) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2024009442A1 (ja) * | 2022-07-06 | 2024-01-11 | 日本電信電話株式会社 | 判定装置、判定方法、および、判定プログラム |
KR102654240B1 (ko) * | 2022-10-26 | 2024-04-04 | 주식회사 에이아이네이션 | 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 |
JP7540209B2 (ja) | 2020-06-23 | 2024-08-27 | 富士通株式会社 | 最適解獲得プログラム、最適解獲得方法および情報処理装置 |
WO2024181037A1 (ja) * | 2023-03-01 | 2024-09-06 | 日本電気株式会社 | データ処理装置、データ処理方法及びプログラム |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118348951A (zh) * | 2018-08-10 | 2024-07-16 | 日本电信电话株式会社 | 概率分布学习装置、自编码器学习装置、数据变换装置 |
US20200097879A1 (en) * | 2018-09-25 | 2020-03-26 | Oracle International Corporation | Techniques for automatic opportunity evaluation and action recommendation engine |
US11467803B2 (en) | 2019-09-13 | 2022-10-11 | Oracle International Corporation | Identifying regulator and driver signals in data systems |
US20220206888A1 (en) * | 2019-08-28 | 2022-06-30 | Mitsubishi Electric Corporation | Abnormal portion detecting device, method of detecting abnormal portion, and recording medium |
CN111174905B (zh) * | 2020-02-13 | 2023-10-31 | 欧朗电子科技有限公司 | 低功耗物联网振动异常检测装置及其检测方法 |
JP6979477B2 (ja) * | 2020-03-10 | 2021-12-15 | エヌ・ティ・ティ・アドバンステクノロジ株式会社 | 状態判定装置、状態判定方法及びコンピュータプログラム |
CN111709491B (zh) * | 2020-06-30 | 2024-05-14 | 平安科技(深圳)有限公司 | 基于自编码器的异常检测方法、装置、设备及存储介质 |
CN112393860B (zh) * | 2020-12-09 | 2022-12-20 | 杭州拓深科技有限公司 | 一种基于类内距离约束自编码器的消防管网漏水监测方法 |
CN112702329B (zh) * | 2020-12-21 | 2023-04-07 | 四川虹微技术有限公司 | 一种流量数据异常检测方法、装置和存储介质 |
US11443758B2 (en) * | 2021-02-09 | 2022-09-13 | International Business Machines Corporation | Anomalous sound detection with timbre separation |
US11843623B2 (en) * | 2021-03-16 | 2023-12-12 | Mitsubishi Electric Research Laboratories, Inc. | Apparatus and method for anomaly detection |
US11763086B1 (en) * | 2021-03-29 | 2023-09-19 | Amazon Technologies, Inc. | Anomaly detection in text |
CN113190797B (zh) * | 2021-04-18 | 2024-07-16 | 南京医工交叉创新研究院有限公司 | 一种基于在线滚动判别特征分析的pta装置粗差判别方法 |
CN113670434B (zh) * | 2021-06-21 | 2023-05-02 | 深圳供电局有限公司 | 变电站设备声音异常识别方法、装置和计算机设备 |
CN114462617A (zh) * | 2021-12-21 | 2022-05-10 | 北京理工大学 | 一种基于蒸馏机制的数据异常检测方法 |
CN114297036B (zh) * | 2022-01-05 | 2023-06-09 | 腾讯科技(深圳)有限公司 | 数据处理方法、装置、电子设备及可读存储介质 |
CN114330597B (zh) * | 2022-01-14 | 2022-08-19 | 阿里巴巴达摩院(杭州)科技有限公司 | 用户聚类方法、数据聚类方法、装置、电子设备 |
CN115034282A (zh) * | 2022-04-13 | 2022-09-09 | 国家电网有限公司信息通信分公司 | 异常数据检测模型的构建方法、异常数据检测方法及系统 |
WO2024180681A1 (ja) * | 2023-02-28 | 2024-09-06 | 日本電信電話株式会社 | 学習装置、推定装置、学習方法、及び学習プログラム |
CN116662811B (zh) * | 2023-06-13 | 2024-02-06 | 无锡物联网创新中心有限公司 | 一种工业设备的时序状态数据重构方法及相关装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105637432A (zh) * | 2013-08-30 | 2016-06-01 | 慧与发展有限责任合伙企业 | 识别被监控实体的异常行为 |
US11397792B2 (en) * | 2016-09-08 | 2022-07-26 | Nec Corporation | Anomaly detecting device, anomaly detecting method, and recording medium |
US11403531B2 (en) * | 2017-07-19 | 2022-08-02 | Disney Enterprises, Inc. | Factorized variational autoencoders |
JP6881207B2 (ja) * | 2017-10-10 | 2021-06-02 | 日本電信電話株式会社 | 学習装置、プログラム |
US10373056B1 (en) * | 2018-01-25 | 2019-08-06 | SparkCognition, Inc. | Unsupervised model building for clustering and anomaly detection |
-
2018
- 2018-07-20 JP JP2018136642A patent/JP6930503B2/ja active Active
-
2019
- 2019-07-01 US US17/260,956 patent/US20210326728A1/en active Pending
- 2019-07-01 WO PCT/JP2019/026027 patent/WO2020017285A1/ja active Application Filing
Non-Patent Citations (3)
Title |
---|
TIM R.DAVIDSON, LUCA FALORSI, NICOLA DE CAO, THOMAS KIPF, JAKUB M.TOMCZAK: "Hyperspherical Variational Auto-Encoders", ARXIV.ORG [ONLINE], JPN6019034687, 3 April 2018 (2018-04-03), pages 1 - 19, ISSN: 0004524341 * |
小泉悠馬、齊藤翔一郎、植松 尚: "深層学習を用いた機器動作音の異常音検知", 日本音響学会2017年春季研究発表会講演論文集CD−ROM[CD−ROM], JPN6019034685, 1 March 2017 (2017-03-01), JP, pages 473 - 476, ISSN: 0004524339 * |
立花亮介、松原 崇、上原邦昭: "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", 第32回全国大会論文集DVD[DVD−ROM], JPN6019034686, 5 June 2018 (2018-06-05), JP, pages 1 - 4, ISSN: 0004524340 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7540209B2 (ja) | 2020-06-23 | 2024-08-27 | 富士通株式会社 | 最適解獲得プログラム、最適解獲得方法および情報処理装置 |
WO2024009442A1 (ja) * | 2022-07-06 | 2024-01-11 | 日本電信電話株式会社 | 判定装置、判定方法、および、判定プログラム |
KR102654240B1 (ko) * | 2022-10-26 | 2024-04-04 | 주식회사 에이아이네이션 | 딥러닝, 머신러닝 및 통계 모델을 이용한 산업설비 이상 감지 장치 및 시스템 |
WO2024181037A1 (ja) * | 2023-03-01 | 2024-09-06 | 日本電気株式会社 | データ処理装置、データ処理方法及びプログラム |
Also Published As
Publication number | Publication date |
---|---|
JP6930503B2 (ja) | 2021-09-01 |
WO2020017285A1 (ja) | 2020-01-23 |
US20210326728A1 (en) | 2021-10-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020017285A1 (ja) | 異常検知装置、異常検知方法、およびプログラム | |
US10387768B2 (en) | Enhanced restricted boltzmann machine with prognosibility regularization for prognostics and health assessment | |
JP6881207B2 (ja) | 学習装置、プログラム | |
WO2019160003A1 (ja) | モデル学習装置、モデル学習方法、プログラム | |
US20200265307A1 (en) | Apparatus and method with multi-task neural network | |
CN114297036A (zh) | 数据处理方法、装置、电子设备及可读存储介质 | |
CN114298997B (zh) | 一种伪造图片检测方法、装置及存储介质 | |
JP6943067B2 (ja) | 異常音検知装置、異常検知装置、プログラム | |
Tousi et al. | Comparative analysis of machine learning models for performance prediction of the spec benchmarks | |
Wang et al. | Incremental causal graph learning for online root cause analysis | |
JP5017941B2 (ja) | モデル作成装置および識別装置 | |
US20210397973A1 (en) | Storage medium, optimum solution acquisition method, and optimum solution acquisition apparatus | |
CN117874673A (zh) | 一种异常数据检测、解释方法 | |
US11354600B2 (en) | System and method for heterogeneous relational kernel learning | |
Caillerie et al. | Model selection for simplicial approximation | |
Wang et al. | Functional sufficient dimension reduction for functional data classification | |
Oyedotun et al. | A closer look at autoencoders for unsupervised anomaly detection | |
KR102289396B1 (ko) | 군장비 수리부속 품목 수요예측의 고도화를 위한 강화학습 적용 | |
Zheng et al. | Using Neural Networks for Novelty-based Test Selection to Accelerate Functional Coverage Closure | |
CN111832596B (zh) | 数据处理方法、电子设备及计算机可读介质 | |
Niveditha et al. | Kernelized Deep Networks for Speech Signal Segmentation Using Clustering and Artificial Intelligence in Neural Networks | |
CN116051633B (zh) | 一种基于加权关系感知的3d点云目标检测方法及装置 | |
Zhao et al. | PointCore: Efficient Unsupervised Point Cloud Anomaly Detector Using Local-Global Features | |
Wang et al. | Disentangled Causal Graph Learning for Online Unsupervised Root Cause Analysis | |
You | Weak-supervision Time-series Analysis |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20200720 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20210608 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210628 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20210713 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20210726 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 6930503 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |