JP7331938B2 - 学習装置、推定装置、学習方法及び学習プログラム - Google Patents
学習装置、推定装置、学習方法及び学習プログラム Download PDFInfo
- Publication number
- JP7331938B2 JP7331938B2 JP2021552047A JP2021552047A JP7331938B2 JP 7331938 B2 JP7331938 B2 JP 7331938B2 JP 2021552047 A JP2021552047 A JP 2021552047A JP 2021552047 A JP2021552047 A JP 2021552047A JP 7331938 B2 JP7331938 B2 JP 7331938B2
- Authority
- JP
- Japan
- Prior art keywords
- domain
- latent
- learning
- samples
- function
- 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.)
- Active
Links
Images
Classifications
-
- 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
-
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/08—Learning methods
- G06N3/0895—Weakly supervised learning, e.g. semi-supervised or self-supervised 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
- G06N3/08—Learning methods
- G06N3/096—Transfer learning
Description
図1を用いて、第1の実施形態に係る学習装置及び推定装置の構成について説明する。図1は、第1の実施形態に係る学習装置及び推定装置の構成例を示す図である。なお、学習装置10及び推定装置20は1つの装置として構成されるものであってもよい。
図5は、第1の実施形態に係る学習装置の処理の流れを示すフローチャートである。図5に示すように、学習装置10は、複数ドメインのサンプルを入力として受け取る(ステップS101)。ここでの複数ドメインには、目標ドメインが含まれていてもよいし、含まれていなくてもよい。
これまで説明してきたように、潜在表現計算部131は、第1のモデルを用いて、ドメインに属するサンプルから、ドメインの特徴を表す潜在表現を計算する。また、ドメイン別目的関数生成部132及び全ドメイン目的関数生成部133は、ドメインに属するサンプル、及び、潜在表現計算部131によって計算されたドメインの潜在表現から、サンプルの異常スコアを算出する第2のモデルに関する目的関数を生成する。また、更新部134は、ドメイン別目的関数生成部132及び全ドメイン目的関数生成部133によって計算された複数のドメインの目的関数が最適化されるように、第1のモデル及び第2のモデルを更新する。このように、学習装置10は、異常スコアを算出する第2のモデルを予測可能な第1のモデルを学習しておくことができる。そして、推定時には、学習済みの第1のモデルから第2のモデルを予測することができる。このため、学習装置10によれば、目標ドメインのサンプルを学習することなく精度の良い異常検知を行うことができる。
また、図示した各装置の各構成要素は機能概念的なものであり、必ずしも物理的に図示のように構成されていることを要しない。すなわち、各装置の分散及び統合の具体的形態は図示のものに限られず、その全部又は一部を、各種の負荷や使用状況等に応じて、任意の単位で機能的又は物理的に分散又は統合して構成することができる。さらに、各装置にて行われる各処理機能は、その全部又は任意の一部が、CPU及び当該CPUにて解析実行されるプログラムにて実現され、あるいは、ワイヤードロジックによるハードウェアとして実現され得る。
一実施形態として、学習装置10及び推定装置20は、パッケージソフトウェアやオンラインソフトウェアとして上記の学習処理を実行する学習プログラムを所望のコンピュータにインストールさせることによって実装できる。例えば、上記の学習プログラムを情報処理装置に実行させることにより、情報処理装置を学習装置10として機能させることができる。ここで言う情報処理装置には、デスクトップ型又はノート型のパーソナルコンピュータが含まれる。また、その他にも、情報処理装置にはスマートフォン、携帯電話機やPHS(Personal Handyphone System)等の移動体通信端末、さらには、PDA(Personal Digital Assistant)等のスレート端末等がその範疇に含まれる。
11、21 入力部
12、22 抽出部
13 学習部
14 記憶部
20 推定装置
23 推定部
25 出力部
131、232 潜在表現計算部
132 ドメイン別目的関数生成部
133 全ドメイン目的関数生成部
134 更新部
231 モデル取得部
233 スコア計算部
Claims (8)
- 第1のモデルを用いて、ドメインに属するサンプルから、前記ドメインの特徴を表す潜在表現を計算する潜在表現計算部と、
ドメインに属するサンプル、及び、前記潜在表現計算部によって計算された前記ドメインの潜在表現から算出された異常スコアであって、第2のモデルによって算出された前記サンプルの異常スコアの平均を基に目的関数を生成する目的関数生成部と、
前記目的関数生成部によって生成された前記目的関数が最適化されるように、前記第1のモデル及び前記第2のモデルを更新する更新部と、
を有することを特徴とする学習装置。 - 前記潜在表現計算部は、平均関数及び共分散関数のそれぞれが、ドメインに属するサンプルのそれぞれを第1のニューラルネットワークに入力して得られる出力の総和を、さらに第2のニューラルネットワークに入力して得られる出力、として表されるガウス分布に従う潜在表現を計算し、
前記更新部は、前記第1のモデルとして、平均関数及び共分散関数のそれぞれについて、前記第1のニューラルネットワーク及び前記第2のニューラルネットワークを更新することを特徴とする請求項1に記載の学習装置。 - 前記目的関数生成部は、分布に従う潜在表現の期待値を用いて前記目的関数を生成することを特徴とする請求項1又は2に記載の学習装置。
- 前記目的関数生成部は、正常サンプルの異常スコアの平均を計算する関数、又は、正常サンプルの異常スコアの平均からAUC(Area Under the Curve)の近似を引く関数を目的関数として生成することを特徴とする請求項1から3のいずれか1項に記載の学習装置。
- 前記目的関数生成部は、潜在表現を入力可能なオートエンコーダに、サンプル及び前記潜在表現計算部によって計算された潜在表現を入力したときの再構成誤差を基に前記目的関数を生成することを特徴とする請求項1から4のいずれか1項に記載の学習装置。
- ドメインに属するサンプルから、前記ドメインの特徴を表す潜在表現を計算する第1のモデルを用いて、目標ドメインに関連する複数の関連ドメインの潜在表現を計算する潜在表現計算部と、
ドメインに属するサンプル及び潜在表現から異常スコアを算出する第2のモデルに、前記潜在表現計算部によって計算された前記複数の関連ドメインの潜在表現のそれぞれを前記目標ドメインのサンプルとともに入力して得られる異常スコアの平均を計算するスコア計算部と、
を有することを特徴とする推定装置。 - コンピュータによって実行される学習方法であって、
第1のモデルを用いて、ドメインに属するサンプルから、前記ドメインの特徴を表す潜在表現を計算する潜在表現計算工程と、
ドメインに属するサンプル、及び、前記潜在表現計算工程によって計算された前記ドメインの潜在表現から算出された異常スコアであって、第2のモデルによって算出された前記サンプルの異常スコアの平均を基に目的関数を生成する目的関数生成工程と、
前記目的関数生成工程によって生成された前記目的関数が最適化されるように、前記第1のモデル及び前記第2のモデルを更新する更新工程と、
を含むことを特徴とする学習方法。 - コンピュータを、請求項1から5のいずれか1項に記載の学習装置として機能させるための学習プログラム。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2019/040777 WO2021075009A1 (ja) | 2019-10-16 | 2019-10-16 | 学習装置、推定装置、学習方法及び学習プログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2021075009A1 JPWO2021075009A1 (ja) | 2021-04-22 |
JP7331938B2 true JP7331938B2 (ja) | 2023-08-23 |
Family
ID=75537544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021552047A Active JP7331938B2 (ja) | 2019-10-16 | 2019-10-16 | 学習装置、推定装置、学習方法及び学習プログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220405585A1 (ja) |
JP (1) | JP7331938B2 (ja) |
WO (1) | WO2021075009A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2023223510A1 (ja) * | 2022-05-19 | 2023-11-23 | 日本電信電話株式会社 | 学習装置、学習方法及び学習プログラム |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048741A1 (en) | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
JP2019070965A (ja) | 2017-10-10 | 2019-05-09 | 日本電信電話株式会社 | 学習装置、学習方法、プログラム |
JP2019140680A (ja) | 2018-02-09 | 2019-08-22 | 株式会社Preferred Networks | オートエンコーダ装置、データ処理システム、データ処理方法及びプログラム |
-
2019
- 2019-10-16 JP JP2021552047A patent/JP7331938B2/ja active Active
- 2019-10-16 WO PCT/JP2019/040777 patent/WO2021075009A1/ja active Application Filing
- 2019-10-16 US US17/764,995 patent/US20220405585A1/en active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160048741A1 (en) | 2014-08-12 | 2016-02-18 | Siemens Aktiengesellschaft | Multi-layer aggregation for object detection |
JP2019070965A (ja) | 2017-10-10 | 2019-05-09 | 日本電信電話株式会社 | 学習装置、学習方法、プログラム |
JP2019140680A (ja) | 2018-02-09 | 2019-08-22 | 株式会社Preferred Networks | オートエンコーダ装置、データ処理システム、データ処理方法及びプログラム |
Non-Patent Citations (4)
Title |
---|
C.M.ビショップ著, 元田浩ほか監訳,パターン認識と機械学習 下 ベイズ理論による統計的予測,初版2刷,東京:シュプリンガー・ジャパン株式会社,2008年08月08日,ISBN 978-4-431-10031-7 |
FORSYTH, David A.ほか著, 大北剛訳,コンピュータビジョン,初版1刷,東京:共立出版株式会社,2007年01月25日,ISBN 978-4-320-12157-7 |
ZAHEER, Manzil et al.,Deep Sets,arXiv [online],2018年04月14日,[検索日 2020.01.09],インターネット: <URL: https://arxiv.org/pdf/1703.06114v3> |
岩田具治,確率的潜在変数モデルに基づくデータマイニング,オペレーションズ・リサーチ,日本,公益社団法人日本オペレーションズ・リサーチ学会,2019年05月01日,第64巻, 第5号,pp.272-277,ISSN 0030-3674 |
Also Published As
Publication number | Publication date |
---|---|
US20220405585A1 (en) | 2022-12-22 |
WO2021075009A1 (ja) | 2021-04-22 |
JPWO2021075009A1 (ja) | 2021-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xiao et al. | Attentional factorization machines: Learning the weight of feature interactions via attention networks | |
CN109120462B (zh) | 机会网络链路的预测方法、装置及可读存储介质 | |
JP7229308B2 (ja) | 時系列データに対する普遍的敵対的攻撃から防御するための方法およびシステム | |
EP3848836A1 (en) | Processing a model trained based on a loss function | |
JP6691094B2 (ja) | 学習装置、検知システム、学習方法及び学習プログラム | |
CN110912908B (zh) | 网络协议异常检测方法、装置、计算机设备和存储介质 | |
JP6870508B2 (ja) | 学習プログラム、学習方法及び学習装置 | |
EP3916597B1 (en) | Detecting malware with deep generative models | |
JP6450032B2 (ja) | 作成装置、作成方法、および作成プログラム | |
EP4125004A1 (en) | Information processing apparatus, information processing method, and storage medium | |
US20210081800A1 (en) | Method, device and medium for diagnosing and optimizing data analysis system | |
JP7091872B2 (ja) | 検知装置及び検知方法 | |
JP6767312B2 (ja) | 検知システム、検知方法及び検知プログラム | |
Zhang et al. | The classification and detection of malware using soft relevance evaluation | |
JP7331938B2 (ja) | 学習装置、推定装置、学習方法及び学習プログラム | |
CN114218998A (zh) | 一种基于隐马尔可夫模型的电力系统异常行为分析方法 | |
JP7276483B2 (ja) | 学習装置、分類装置、学習方法及び学習プログラム | |
WO2021100184A1 (ja) | 学習装置、推定装置、学習方法および学習プログラム | |
WO2020173270A1 (zh) | 用于分析数据的方法、设备和计算机存储介质 | |
WO2020039610A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
AU2021251463B2 (en) | Generating performance predictions with uncertainty intervals | |
JP7420244B2 (ja) | 学習装置、学習方法、推定装置、推定方法及びプログラム | |
JP2016520220A (ja) | 隠れ属性モデル推定装置、方法およびプログラム | |
JP7047664B2 (ja) | 学習装置、学習方法および予測システム | |
Kuhlmann et al. | Approximate, computationally efficient online learning in bayesian spiking neurons |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220207 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20230418 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230619 |
|
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: 20230711 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230724 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7331938 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |