JP6547275B2 - 情報処理システム、情報処理装置、情報処理方法、及びプログラム - Google Patents
情報処理システム、情報処理装置、情報処理方法、及びプログラム Download PDFInfo
- Publication number
- JP6547275B2 JP6547275B2 JP2014219946A JP2014219946A JP6547275B2 JP 6547275 B2 JP6547275 B2 JP 6547275B2 JP 2014219946 A JP2014219946 A JP 2014219946A JP 2014219946 A JP2014219946 A JP 2014219946A JP 6547275 B2 JP6547275 B2 JP 6547275B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- information processing
- dimensions
- dimension
- error
- 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.)
- Expired - Fee Related
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L63/00—Network architectures or network communication protocols for network security
- H04L63/14—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic
- H04L63/1408—Network architectures or network communication protocols for network security for detecting or protecting against malicious traffic by monitoring network traffic
- H04L63/1425—Traffic logging, e.g. anomaly detection
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Security & Cryptography (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Description
まず、第1の実施形態に係る情報処理装置10のハードウェア構成について説明する。図1は、第1の実施形態に係る情報処理装置の一例のハードウェア構成図である。
次に、第1の実施形態に係る情報処理装置10のソフトウェア構成について説明する。図2は、第1の実施形態に係る情報処理装置の一例の処理ブロック図である。
次に、本実施形態に係る情報処理装置10の処理の詳細について説明する。本実施形態に係る情報処理装置10は、学習データ1000を用いて、次元削減部102、次元復元部103、及びデータ識別部105を予め学習させておく必要がある。そして、本実施形態に係る情報処理装置10は、学習された次元削減部102、次元復元部103、及びデータ識別部105等により識別対象データ2000の識別を行う。
まず、学習データ1000を用いて、本実施形態に係る情報処理装置10の次元削減部102、次元復元部103、及びデータ識別部105を学習させる処理について説明する。図3は、第1の実施形態に係る学習処理の一例のフローチャートである。なお、上述したように、学習データ1000は、正常なモデルに属する複数の多次元データ(すなわち、正常値データ、ポジティブデータ)である。すなわち、以降で説明する学習処理は、半教師あり学習である。
まず、次元削減部102及び次元復元部103が主成分分析の手法を用いて実現される場合について説明する。この場合、次元削減部102及び次元復元部103の学習とは、入力された学習データ1000に基づき、各主成分に対応する固有ベクトルを求めることに相当する。以降では、学習データ1000は、30個の100次元のベクトルデータであるものとして説明する。また、次元削減部102は、100次元のベクトルデータを、25次元のベクトルデータに削減するものとする。ただし、次元削減部102による次元削減後の次元数は、設計事項であり、25次元に限られず、任意の次元数でよい。このことは、Stacked Auto−Encodersの手法を用いる場合も同様である。
次に、次元削減部102及び次元復元部103が多層ニューラルネットワークの一種であるStacked Auto−Encodersの手法を用いて実現される場合について説明する。この場合、次元削減部102及び次元復元部103の学習とは、入力された学習データ1000に基づき、Stacked Auto−Encodersの各層のネットワーク係数(これは「重み」とも称される)を調整することに相当する。なお、このようなネットワーク係数は、所定のパラメータの一例である。
次に、上記で説明したような学習処理を行った次元削減部102、次元復元部103、及びデータ識別部105を用いて、識別対象データ2000の識別を行う処理について説明する。なお、識別対象データ2000の識別とは、上述したように、この識別対象データ2000が異常値データであるか否かを判別することである。図6は、第1の実施形態に係る識別処理の一例のフローチャートである。
まず、次元削減部102及び次元復元部103が主成分分析の手法を用いて実現される場合について説明する。以降では、識別対象データ2000は、100次元のベクトルデータであるものとして説明する。また、次元削減部102は、100次元のベクトルデータを、25次元のベクトルデータに削減するものとする。
次に、次元削減部102及び次元復元部103が多層ニューラルネットワークの一種であるStacked Auto−Encodersの手法を用いて実現される場合について説明する。ここで、識別対象データ2000は、主成分分析の場合と同様に、上記の(式8)で表されるものとする。
次に、第2の実施形態に係る情報処理装置10について説明する。第2の実施形態に係る情報処理装置10は、誤差算出部104を有しない点が第1の実施形態と異なる。なお、以降では、第1の実施形態と同様の機能を有する箇所及び同一の処理を行う箇所については、第1の実施形態と同一の符号を用いて、その説明を省略する。
まず、第2の実施形態に係る情報処理装置10のソフトウェア構成について説明する。図8は、第2の実施形態に係る情報処理装置の一例の処理ブロック図である。
次に、本実施形態に係る情報処理装置10の処理の詳細について説明する。
まず、学習データ1000を用いて、本実施形態に係る情報処理装置10の次元削減部102、次元復元部103、及びデータ識別部105を学習させる処理について説明する。図9は、第2の実施形態に係る学習処理の一例のフローチャートである。第2の実施形態に係る学習処理は、ステップS901の処理が第1の実施形態と異なる。したがって、以降では、このステップS901の処理について説明する。
次に、上記で説明したような学習処理を行った次元削減部102、次元復元部103、及びデータ識別部105を用いて、識別対象データ2000の識別を行う処理について説明する。図10は、第2の実施形態に係る識別処理の一例のフローチャートである。第2の実施形態に係る学習処理は、ステップS1001の処理が第1の実施形態と異なる。したがって、以降では、このステップS1001の処理について説明する。
次に、第3の実施形態に係る情報処理装置10について説明する。第3の実施形態に係る情報処理装置10は、次元復元部103を有しない点が第2の実施形態と異なる。なお、以降では、第2の実施形態と同様の機能を有する箇所及び同一の処理を行う箇所については、第2の実施形態と同一の符号を用いて、その説明を省略する。
まず、第3の実施形態に係る情報処理装置10のソフトウェア構成について説明する。図11は、第3の実施形態に係る情報処理装置の一例の処理ブロック図である。
次に、本実施形態に係る情報処理装置10の処理の詳細について説明する。
まず、学習データ1000を用いて、本実施形態に係る情報処理装置10の次元削減部102及びデータ識別部105を学習させる処理について説明する。図12は、第3の実施形態に係る学習処理の一例のフローチャートである。第3の実施形態に係る学習処理は、ステップS1201及びS1202の処理が第2の実施形態と異なる。したがって、以降では、このステップS1201及びS1202の処理について説明する。
次に、上記で説明したような学習処理を行った次元削減部102及びデータ識別部105を用いて、識別対象データ2000の識別を行う処理について説明する。図13は、第3の実施形態に係る識別処理の一例のフローチャートである。第3の実施形態に係る学習処理は、ステップS1301の処理が第2の実施形態と異なる。したがって、以降では、このステップS1301の処理について説明する。
以上のように第1の実施形態に係る情報処理装置10は、予め正常値データにより学習された次元削減部102及び次元復元部103により次元削減及び次元復元を行った結果と、入力データとの誤差を用いることにより高い精度で異常検知を行うことができる。
11 CPU
12 HDD
13 RAM
14 ROM
15 入力装置
16 表示装置
17 外部I/F
18 撮像装置
101 データ入力部
102 次元削減部
103 次元復元部
104 誤差算出部
105 データ識別部
1000 学習データ
2000 識別対象データ
Claims (10)
- 1以上の情報処理装置を含む情報処理システムであって、
多次元の第1のデータを入力するデータ入力手段と、
前記第1のデータを、主成分分析又はニューラルネットワークにより、前記第1のデータの次元数よりも少ない所定の次元数の第2のデータであって、前記第1のデータの特徴を表す第2のデータを生成する次元削減手段と、
前記第1のデータと前記第2のデータとに基づき、LOF又はOne−Class SVMにより実現されるモデルを用いて、半教師あり異常検知により前記第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別する識別手段と、
を有し、
前記モデルは、正常を示すデータと、該正常を示すデータを前記次元削減手段で次元数を削減したデータを前記正常を示すデータと同じ次元数に復元したデータとの誤差を用いて予め学習されている、情報処理システム。 - 前記第2のデータに基づき、該第1のデータの次元数と同じ次元数の第3のデータを生成する次元復元手段を有し、
前記識別手段は、
前記第1のデータと前記第3のデータとに基づき、前記モデルを用いて、半教師あり異常検知により該第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別し、
前記モデルは、正常を示すデータと、該正常を示すデータを前記次元削減手段で次元数を削減したデータを前記次元復元手段で前記正常を示すデータと同じ次元数に復元したデータとの誤差を用いて予め学習されている、請求項1記載の情報処理システム。 - 前記第1のデータと前記第3のデータとの差分を計算することにより、前記次元削減手段による誤差を示す誤差データを算出する誤差算出手段を有し、
前記識別手段は、
前記誤差データに基づき、前記モデルを用いて、半教師あり異常検知により前記第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別し、
前記モデルは、前記誤差算出手段により算出された、正常を示すデータと、該正常を示すデータを前記次元削減手段で次元数を削減したデータを前記次元復元手段で前記正常を示すデータと同じ次元数に復元したデータとの誤差を示す誤差データを用いて予め学習されている、請求項2記載の情報処理システム。 - 前記ニューラルネットワークは、Stacked Auto−Encodersである、請求項1ないし3のいずれか一項に記載の情報処理システム。
- 前記ニューラルネットワークは、予め1以上の正常を示すデータを用いて所定のパラメータが学習されている、請求項4に記載の情報処理システム。
- 前記情報処理システムは、撮像装置を含み、
前記第1のデータは、前記撮像装置により生成された多次元データである、請求項1ないし5のいずれか1項に記載の情報処理システム。 - 前記撮像装置は、分光カメラ装置である、請求項6記載の情報処理システム。
- 多次元の第1のデータが入力される情報処理装置であって、
前記第1のデータを、主成分分析又はニューラルネットワークにより、前記第1のデータの次元数よりも少ない所定の次元数の第2のデータであって、前記第1のデータの特徴を表す第2のデータを生成する次元削減手段と、
前記第1のデータと前記第2のデータとに基づき、LOF又はOne−Class SVMにより実現されるモデルを用いて、半教師あり異常検知により前記第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別する識別手段と、
を有し、
前記モデルは、正常を示すデータと、該正常を示すデータを前記次元削減手段で次元数を削減したデータを前記正常を示すデータと同じ次元数に復元したデータとの誤差を用いて予め学習されている、情報処理装置。 - 多次元の第1のデータが入力される情報処理装置に用いられる情報処理方法であって、
前記第1のデータを、主成分分析又はニューラルネットワークにより、前記第1のデータの次元数よりも少ない所定の次元数の第2のデータであって、前記第1のデータの特徴を表す第2のデータを生成する次元削減手順と、
前記第1のデータと前記第2のデータとに基づき、LOF又はOne−Class SVMにより実現されるモデルを用いて、半教師あり異常検知により前記第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別する識別手順と、
を有し、
前記モデルは、正常を示すデータと、該正常を示すデータを前記次元削減手順で次元数を削減したデータを前記正常を示すデータと同じ次元数に復元したデータとの誤差を用いて予め学習されている、情報処理方法。 - 多次元の第1のデータが入力される情報処理装置を、
前記第1のデータを、主成分分析又はニューラルネットワークにより、前記第1のデータの次元数よりも少ない所定の次元数の第2のデータであって、前記第1のデータの特徴を表す第2のデータを生成する次元削減手段と、
前記第1のデータと前記第2のデータとに基づき、LOF又はOne−Class SVMにより実現されるモデルを用いて、半教師あり異常検知により前記第1のデータが正常を示すデータであるか又は異常を示すデータであるかを識別する識別手段と、
として機能させ、
前記モデルは、正常を示すデータと、該正常を示すデータを前記次元削減手段で次元数を削減したデータを前記正常を示すデータと同じ次元数に復元したデータとの誤差を用いて予め学習されている、プログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014219946A JP6547275B2 (ja) | 2014-10-29 | 2014-10-29 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
US14/874,536 US10284583B2 (en) | 2014-10-29 | 2015-10-05 | Information processing system, information processing apparatus, and information processing method |
EP15189291.6A EP3016033A1 (en) | 2014-10-29 | 2015-10-12 | Information processing system, information processing apparatus, and information processing method |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2014219946A JP6547275B2 (ja) | 2014-10-29 | 2014-10-29 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2016085704A JP2016085704A (ja) | 2016-05-19 |
JP6547275B2 true JP6547275B2 (ja) | 2019-07-24 |
Family
ID=54329392
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2014219946A Expired - Fee Related JP6547275B2 (ja) | 2014-10-29 | 2014-10-29 | 情報処理システム、情報処理装置、情報処理方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US10284583B2 (ja) |
EP (1) | EP3016033A1 (ja) |
JP (1) | JP6547275B2 (ja) |
Families Citing this family (35)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6247627B2 (ja) * | 2014-11-25 | 2017-12-13 | 日本電信電話株式会社 | 異常値検出装置およびその動作方法 |
US9898441B2 (en) * | 2016-02-05 | 2018-02-20 | Google Llc | Matrix processing apparatus |
EP3472759A1 (de) * | 2016-07-25 | 2019-04-24 | Siemens Aktiengesellschaft | Verfahren und vorrichtung zum rechnergestützten analysieren mindestens eines zweiten eingabevektors eines zielsystems |
JP6599294B2 (ja) * | 2016-09-20 | 2019-10-30 | 株式会社東芝 | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、および学習プログラム |
WO2018058426A1 (zh) * | 2016-09-29 | 2018-04-05 | 清华大学 | 硬件神经网络转换方法、计算装置、编译方法和神经网络软硬件协作系统 |
CN106656981B (zh) * | 2016-10-21 | 2020-04-28 | 东软集团股份有限公司 | 网络入侵检测方法和装置 |
JP6789762B2 (ja) * | 2016-11-02 | 2020-11-25 | キヤノン株式会社 | 情報処理装置、情報処理方法及びプログラム |
KR101836096B1 (ko) * | 2016-12-02 | 2018-03-12 | 주식회사 수아랩 | 이미지 데이터의 상태 판단 방법, 장치 및 컴퓨터-판독가능 저장 매체에 저장된 컴퓨터 프로그램 |
JP6545728B2 (ja) * | 2017-01-11 | 2019-07-17 | 株式会社東芝 | 異常検知装置、異常検知方法、および異常検知プログラム |
US10685432B2 (en) | 2017-01-18 | 2020-06-16 | Ricoh Company, Ltd. | Information processing apparatus configured to determine whether an abnormality is present based on an integrated score, information processing method and recording medium |
JP6809250B2 (ja) | 2017-01-23 | 2021-01-06 | 株式会社リコー | 情報処理装置、情報処理方法およびプログラム |
US10931694B2 (en) * | 2017-02-24 | 2021-02-23 | LogRhythm Inc. | Processing pipeline for monitoring information systems |
JP2018195119A (ja) * | 2017-05-18 | 2018-12-06 | 住友電装株式会社 | 異変検出装置及び異変検出方法 |
US11924048B2 (en) | 2017-06-09 | 2024-03-05 | British Telecommunications Public Limited Company | Anomaly detection in computer networks |
US11509671B2 (en) | 2017-06-09 | 2022-11-22 | British Telecommunications Public Limited Company | Anomaly detection in computer networks |
GB2563280B (en) * | 2017-06-09 | 2021-05-26 | British Telecomm | Anomaly detection in computer networks |
DE102017210787A1 (de) * | 2017-06-27 | 2018-12-27 | Robert Bosch Gmbh | Verfahren und Vorrichtung zum Ermitteln von Anomalien in einem Kommunikationsnetzwerk |
JP6572269B2 (ja) * | 2017-09-06 | 2019-09-04 | 株式会社東芝 | 学習装置、学習方法、およびプログラム |
CN109508846A (zh) * | 2017-09-15 | 2019-03-22 | 新奥(中国)燃气投资有限公司 | 一种机组数据异常波动的检测方法及装置 |
CN109521725A (zh) * | 2017-09-20 | 2019-03-26 | 西门子公司 | 检测异常数据的方法、装置和设备以及机器可读介质 |
JP7030485B2 (ja) * | 2017-11-17 | 2022-03-07 | ヤフー株式会社 | 抽出装置、抽出方法、及び抽出プログラム |
KR102171491B1 (ko) * | 2017-12-21 | 2020-10-29 | 동의대학교 산학협력단 | 딥러닝을 이용한 양품 선별 방법 |
US10810408B2 (en) * | 2018-01-26 | 2020-10-20 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic classification |
US11009452B2 (en) | 2018-01-26 | 2021-05-18 | Viavi Solutions Inc. | Reduced false positive identification for spectroscopic quantification |
JP7020156B2 (ja) * | 2018-02-06 | 2022-02-16 | オムロン株式会社 | 評価装置、動作制御装置、評価方法、及び評価プログラム |
CN108470336B (zh) * | 2018-03-29 | 2021-06-29 | 天津大学 | 基于堆栈式自动编码器的立体图像质量评价方法 |
CN110472646B (zh) * | 2018-05-09 | 2023-02-28 | 富士通株式会社 | 数据处理设备、数据处理方法及介质 |
KR102285987B1 (ko) * | 2018-10-10 | 2021-08-04 | 주식회사 케이티 | 건물 내 설비의 이상을 탐지하는 방법, 시스템 및 컴퓨터 프로그램 |
CN112188532A (zh) * | 2019-07-02 | 2021-01-05 | 中国移动通信集团贵州有限公司 | 网络异常检测模型的训练方法、网络检测方法及装置 |
JP7363145B2 (ja) | 2019-07-12 | 2023-10-18 | 株式会社リコー | 学習装置および学習方法 |
FR3098961B1 (fr) * | 2019-07-17 | 2022-03-04 | Electricite De France | Procédé d’identification de données aberrantes dans d’un jeu de données d’entrée acquises par au moins un capteur |
KR102202842B1 (ko) * | 2019-08-13 | 2021-01-14 | 서울대학교산학협력단 | 크리스토펠 함수의 과다한 연산량을 커널화 와서스타인 오토인코더를 이용하여 개선한 고차원 비지도 이상 탐지 학습 방법 및 학습 장치, 그리고 이를 이용한 테스트 방법 및 테스트 장치 |
US11574071B2 (en) | 2020-07-28 | 2023-02-07 | Bank Of America Corporation | Reliability of information security controls for attack readiness |
KR102271740B1 (ko) * | 2020-09-11 | 2021-07-02 | 주식회사 뉴로클 | 이상 탐지 방법 및 이를 위한 장치 |
CN112488238B (zh) * | 2020-12-14 | 2022-11-15 | 桂林电子科技大学 | 一种基于对抗自编码器的混合异常检测方法 |
Family Cites Families (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0740472B1 (en) * | 1990-03-16 | 2002-12-11 | Fujitsu Limited | An image data processing system |
JPH08227410A (ja) * | 1994-12-22 | 1996-09-03 | Just Syst Corp | ニューラルネットワークの学習方法、ニューラルネットワークおよびニューラルネットワークを利用した音声認識装置 |
EP1071974B1 (fr) * | 1998-04-15 | 2004-01-28 | Vincent Lauer | Microscope generant une representation tridimensionnelle d'un objet et images generees par ce microscope |
US6683695B1 (en) * | 1999-07-21 | 2004-01-27 | Electronic Design To Market, Inc. | Method and apparatus for detecting properties of reflective transparent surface coatings on a sheet of transparent material |
US6304775B1 (en) * | 1999-09-22 | 2001-10-16 | Leonidas D. Iasemidis | Seizure warning and prediction |
JP3749107B2 (ja) * | 1999-11-05 | 2006-02-22 | ファブソリューション株式会社 | 半導体デバイス検査装置 |
US8544087B1 (en) * | 2001-12-14 | 2013-09-24 | The Trustess Of Columbia University In The City Of New York | Methods of unsupervised anomaly detection using a geometric framework |
US9306966B2 (en) * | 2001-12-14 | 2016-04-05 | The Trustees Of Columbia University In The City Of New York | Methods of unsupervised anomaly detection using a geometric framework |
US7263467B2 (en) * | 2002-09-30 | 2007-08-28 | University Of Florida Research Foundation Inc. | Multi-dimensional multi-parameter time series processing for seizure warning and prediction |
AU2003298563C1 (en) * | 2002-08-27 | 2009-03-26 | Arizona Board Of Regents For And On Behalf Of Arizona State University | Optimization of multi-dimensional time series processing for seizure warning and prediction |
US7383239B2 (en) * | 2003-04-30 | 2008-06-03 | Genworth Financial, Inc. | System and process for a fusion classification for insurance underwriting suitable for use by an automated system |
US20040218919A1 (en) * | 2003-04-30 | 2004-11-04 | Lucent Technologies Inc. | Method and apparatus for Q-factor monitoring using forward error correction coding |
WO2006081318A2 (en) * | 2005-01-26 | 2006-08-03 | University Of Florida Research Foundation, Inc. | Multi-dimensional dynamical analysis |
US7679740B2 (en) * | 2005-07-14 | 2010-03-16 | Chemimage Corporation | Method and apparatus for multimodal detection |
KR100957760B1 (ko) * | 2005-11-30 | 2010-05-13 | 후지쯔 마이크로일렉트로닉스 가부시키가이샤 | 3차원 그래픽 장치, 3차원 그래픽 방법, 3차원 그래픽 프로그램을 기록한 컴퓨터 판독 기록매체 |
US8346691B1 (en) * | 2007-02-20 | 2013-01-01 | Sas Institute Inc. | Computer-implemented semi-supervised learning systems and methods |
US7978090B2 (en) * | 2008-04-30 | 2011-07-12 | International Business Machines Corporation | Apparatus, system, and method for safely and securely storing materials |
JP5137805B2 (ja) | 2008-12-15 | 2013-02-06 | キヤノン株式会社 | 検査システム及びその制御方法、コンピュータプログラム |
JP5363927B2 (ja) * | 2009-09-07 | 2013-12-11 | 株式会社日立製作所 | 異常検知・診断方法、異常検知・診断システム、及び異常検知・診断プログラム |
JP5406705B2 (ja) * | 2009-12-28 | 2014-02-05 | キヤノン株式会社 | データ補正装置及び方法 |
US8487378B2 (en) * | 2011-01-21 | 2013-07-16 | Taiwan Semiconductor Manufacturing Company, Ltd. | Non-uniform channel junction-less transistor |
US8937617B1 (en) * | 2011-04-20 | 2015-01-20 | Google Inc. | Matching views between a three-dimensional geographical image and a two-dimensional geographical image |
WO2013063269A2 (en) * | 2011-10-25 | 2013-05-02 | Case Western Reserve University | Compounds and methods of treating ocular disorders |
JP2014026455A (ja) | 2012-07-26 | 2014-02-06 | Nippon Telegr & Teleph Corp <Ntt> | メディアデータ解析装置、方法、及びプログラム |
WO2015049087A1 (en) * | 2013-10-02 | 2015-04-09 | Asml Netherlands B.V. | Methods & apparatus for obtaining diagnostic information relating to an industrial process |
US9700219B2 (en) * | 2013-10-17 | 2017-07-11 | Siemens Healthcare Gmbh | Method and system for machine learning based assessment of fractional flow reserve |
US9536177B2 (en) * | 2013-12-01 | 2017-01-03 | University Of Florida Research Foundation, Inc. | Distributive hierarchical model for object recognition in video |
JP6340795B2 (ja) | 2013-12-27 | 2018-06-13 | 株式会社リコー | 画像処理装置、画像処理システム、画像処理方法、画像処理プログラム、及び移動体制御装置 |
US10191956B2 (en) * | 2014-08-19 | 2019-01-29 | New England Complex Systems Institute, Inc. | Event detection and characterization in big data streams |
US10089660B2 (en) * | 2014-09-09 | 2018-10-02 | Stc.Unm | Online review assessment using multiple sources |
US9922272B2 (en) * | 2014-09-25 | 2018-03-20 | Siemens Healthcare Gmbh | Deep similarity learning for multimodal medical images |
-
2014
- 2014-10-29 JP JP2014219946A patent/JP6547275B2/ja not_active Expired - Fee Related
-
2015
- 2015-10-05 US US14/874,536 patent/US10284583B2/en active Active
- 2015-10-12 EP EP15189291.6A patent/EP3016033A1/en not_active Withdrawn
Also Published As
Publication number | Publication date |
---|---|
US10284583B2 (en) | 2019-05-07 |
JP2016085704A (ja) | 2016-05-19 |
US20160127405A1 (en) | 2016-05-05 |
EP3016033A1 (en) | 2016-05-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6547275B2 (ja) | 情報処理システム、情報処理装置、情報処理方法、及びプログラム | |
TWI638157B (zh) | Inspection device and inspection method | |
JP7223839B2 (ja) | 異常検出および/または予知保全のためのコンピュータ実装方法、コンピュータプログラム製品およびシステム | |
JP2017097718A (ja) | 識別処理装置、識別システム、識別処理方法、およびプログラム | |
US10757125B2 (en) | Anomaly detection method and recording medium | |
WO2018131219A1 (ja) | 異常検知装置、異常検知方法、および記憶媒体 | |
US20170147921A1 (en) | Learning apparatus, recording medium, and learning method | |
US20190164057A1 (en) | Mapping and quantification of influence of neural network features for explainable artificial intelligence | |
CN106547852B (zh) | 异常数据检测方法及装置、数据预处理方法及系统 | |
TW202024827A (zh) | 用於半導體及顯示器工序設備工具中的設備健康監測及錯誤偵測的深度自動編碼器 | |
CN105225222B (zh) | 对不同图像集的感知视觉质量的自动评估 | |
JP6476802B2 (ja) | 情報処理装置及び情報処理方法 | |
JP7213701B2 (ja) | 加工装置、加工方法、加工プログラム、及び検査装置 | |
CN113095402B (zh) | 一种基于编码输入的生成对抗网络故障检测方法及系统 | |
WO2019176990A1 (ja) | 検査装置、画像識別装置、識別装置、検査方法、及び検査プログラム | |
Cheng et al. | A distribution‐free multivariate control chart for phase I applications | |
WO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、記録媒体 | |
WO2020255224A1 (ja) | 異常検知装置、学習装置、異常検知方法、学習方法、異常検知プログラム、及び学習プログラム | |
JP7056259B2 (ja) | 検査システム、識別システム、及び識別器評価装置 | |
JP2020047010A (ja) | 情報推定装置及び情報推定方法 | |
Favorskaya et al. | Image inpainting based on self-organizing maps by using multi-agent implementation | |
WO2020240770A1 (ja) | 学習装置、推定装置、学習方法、推定方法及びプログラム | |
WO2021024297A1 (ja) | 敵対的事例検知システム、方法およびプログラム | |
JP7309134B2 (ja) | 可視化方法、これに用いるプログラム、および、可視化装置、並びに、これを備える判別装置 | |
WO2021210413A1 (ja) | 判別対象の分類方法、これに用いるプログラム、および、判別装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20171010 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20180928 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20181016 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20181205 |
|
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: 20190528 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20190610 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 6547275 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |
|
LAPS | Cancellation because of no payment of annual fees |