JP7363889B2 - 学習装置、学習方法、コンピュータプログラム及び記録媒体 - Google Patents
学習装置、学習方法、コンピュータプログラム及び記録媒体 Download PDFInfo
- Publication number
- JP7363889B2 JP7363889B2 JP2021506243A JP2021506243A JP7363889B2 JP 7363889 B2 JP7363889 B2 JP 7363889B2 JP 2021506243 A JP2021506243 A JP 2021506243A JP 2021506243 A JP2021506243 A JP 2021506243A JP 7363889 B2 JP7363889 B2 JP 7363889B2
- Authority
- JP
- Japan
- Prior art keywords
- data
- period
- normal
- learning
- degree
- 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
- 238000000034 method Methods 0.000 title claims description 28
- 238000004590 computer program Methods 0.000 title claims description 22
- 230000002159 abnormal effect Effects 0.000 claims description 85
- 238000010801 machine learning Methods 0.000 claims description 35
- 238000001514 detection method Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 description 25
- 238000012795 verification Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 7
- 230000005856 abnormality Effects 0.000 description 6
- 238000012549 training Methods 0.000 description 3
- 239000013598 vector Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Mathematical Physics (AREA)
- Testing And Monitoring For Control Systems (AREA)
Description
先ず、実施形態に係る学習装置1のハードウェア構成について図1を参照して説明する。図1は、実施形態に係る学習装置1のハードウェア構成を示すブロック図である。
次に、外れ度計算部111における機械学習について図3及び図4を参照して説明する。ここで、図3に示す時系列データの実測値は、上述の正常データの一例に相当するものとする。外れ度計算部111は、例えば図3に示す時系列データの実測値のうち第1の時間区間の時系列データを読み込み、該第1の時間区間に続く第2の時間区間の時系列データを予測(再現)して出力する学習モデルを構築する。このとき、予測された第2の時間区間の時系列データと、時系列データの実測値うち第2の時間区間の時系列データ(教師データに相当)とが比較されることによって、学習モデルの精度向上が図られる。
当該学習装置1によれば、機械学習に不足している正常パターンを有する正常データ(即ち、不足データ)を自動的に検出することができる。このため、検出された不足データに相当する学習用の正常データを追加すれば、学習モデルの精度を比較的容易に向上させることができる。この結果、機械学習に用いる異常データを十分には収集できない場合であっても、正常データだけを用いて比較的精度の良い学習モデルを構築することができる。加えて、人手により、既に収集された正常データを分析して、不足データを特定する必要がないので、学習モデルを構築するための工数を大幅に低減することができる。
(1)図7に示すように、CPU11内には、外れ度計算部111及び不足データ検出部112に加えて、ユーザ提示部113が実現されてよい。ユーザ提示部113は、図8に示すように、ステップS203の処理の後、該ステップS203の処理において検出された不足データが当該学習装置1のユーザに提示されるように出力装置16(図1参照)を制御してよい。このとき、例えば図5に示すような画像が、ユーザに提示されてよい。
以上説明した実施形態に関して、更に以下の付記を開示する。
付記1に記載の学習装置は、時系列数値データを入力データとして機械学習を行う学習装置であって、前記入力データとしての正常状態を示す時系列数値データである正常データを用いて前記機械学習を行うことにより、入力された時系列数値データに対応する時系列数値データを予測して出力する学習モデルを生成する生成手段と、前記正常データのうち第1期間の正常データを前記学習モデルに入力することにより、前記学習モデルにより予測された正常データである前記第1期間に対応する第2期間の予測正常データと、前記正常データのうち前記第2期間の正常データとを比較して、前記第2期間の正常データと前記予測正常データとのずれの程度を示す第1の外れ度を取得する第1取得手段と、異常状態を示す時系列数値データである異常データのうち第3期間の異常データを前記学習モデルに入力することにより、前記学習モデルにより予測された異常データである前記第3期間に対応する第4期間の予測異常データと、前記異常データのうち前記第4期間の異常データとを比較して、前記第4期間の異常データと前記予測異常データとのずれの程度を示す第2の外れ度を取得する第2取得手段と、前記第1の外れ度及び前記第2の外れ度に基づいて、前記正常データに係る正常状態を示す時系列パターンのうち、不足している時系列パターンを検出する検出手段と、を備えることを特徴とする学習装置である。
付記2に記載の学習装置は、前記検出された不足している時系列パターンを提示する提示手段を備えることを特徴とする付記1に記載の学習装置である。
付記3に記載の学習方法は、時系列数値データを入力データとして機械学習を行う学習装置における学習方法であって、前記入力データとしての正常状態を示す時系列数値データである正常データを用いて前記機械学習を行うことにより、入力された時系列数値データに対応する時系列数値データを予測して出力する学習モデルを生成する生成工程と、前記正常データのうち第1期間の正常データを前記学習モデルに入力することにより、前記学習モデルにより予測された正常データである前記第1期間に対応する第2期間の予測正常データと、前記正常データのうち前記第2期間の正常データとを比較して、前記第2期間の正常データと前記予測正常データとのずれの程度を示す第1の外れ度を取得する第1取得工程と、異常状態を示す時系列数値データである異常データのうち第3期間の異常データを前記学習モデルに入力することにより、前記学習モデルにより予測された異常データである前記第3期間に対応する第4期間の予測異常データと、前記異常データのうち前記第4期間の異常データとを比較して、前記第4期間の異常データと前記予測異常データとのずれの程度を示す第2の外れ度を取得する第2取得工程と、前記第1の外れ度及び前記第2の外れ度に基づいて、前記正常データに係る正常状態を示す時系列パターンのうち、不足している時系列パターンを検出する検出工程と、を含むことを特徴とする学習方法である。
付記4に記載のコンピュータプログラムは、コンピュータに、付記3に記載の学習方法を実行させるコンピュータプログラムである。
付記5に記載の記録媒体は、付記4に記載のコンピュータプログラムが記録された記録媒体である。
Claims (4)
- 時系列数値データを入力データとして機械学習を行う学習装置であって、
前記入力データとしての正常状態を示す時系列数値データである正常データを用いて前記機械学習を行うことにより、入力された時系列数値データに続く時系列数値データを予測して出力する学習モデルを生成する生成手段と、
前記正常データのうち第1期間の正常データを前記学習モデルに入力することにより、前記学習モデルにより予測された正常データである前記第1期間に続く第2期間の予測正常データと、前記正常データのうち前記第2期間の正常データとを比較して、前記第2期間の正常データと前記予測正常データとのずれの程度を示す第1の外れ度を取得する第1取得手段と、
異常状態を示す時系列数値データである異常データのうち第3期間の異常データを前記学習モデルに入力することにより、前記学習モデルにより予測された異常データである前記第3期間に続く第4期間の予測異常データと、前記異常データのうち前記第4期間の異常データとを比較して、前記第4期間の異常データと前記予測異常データとのずれの程度を示す第2の外れ度を取得する第2取得手段と、
前記第1の外れ度及び前記第2の外れ度に基づいて、前記正常データに係る正常状態を示す時系列パターンのうち、不足している時系列パターンを検出する検出手段と、
を備えることを特徴とする学習装置。 - 前記検出された不足している時系列パターンを提示する提示手段を備えることを特徴とする請求項1に記載の学習装置。
- 時系列数値データを入力データとして機械学習を行う学習方法であって、
学習装置が、前記入力データとしての正常状態を示す時系列数値データである正常データを用いて前記機械学習を行うことにより、入力された時系列数値データに続く時系列数値データを予測して出力する学習モデルを生成し、
前記学習装置が、前記正常データのうち第1期間の正常データを前記学習モデルに入力することにより、前記学習モデルにより予測された正常データである前記第1期間に続く第2期間の予測正常データと、前記正常データのうち前記第2期間の正常データとを比較して、前記第2期間の正常データと前記予測正常データとのずれの程度を示す第1の外れ度を取得し、
前記学習装置が、異常状態を示す時系列数値データである異常データのうち第3期間の異常データを前記学習モデルに入力することにより、前記学習モデルにより予測された異常データである前記第3期間に続く第4期間の予測異常データと、前記異常データのうち前記第4期間の異常データとを比較して、前記第4期間の異常データと前記予測異常データとのずれの程度を示す第2の外れ度を取得し、
前記学習装置が、前記第1の外れ度及び前記第2の外れ度に基づいて、前記正常データに係る正常状態を示す時系列パターンのうち、不足している時系列パターンを検出する、
ことを特徴とする学習方法。 - コンピュータに、
時系列数値データを入力データとして機械学習を行う学習方法であって、
前記入力データとしての正常状態を示す時系列数値データである正常データを用いて前記機械学習を行うことにより、入力された時系列数値データに続く時系列数値データを予測して出力する学習モデルを生成する生成工程と、
前記正常データのうち第1期間の正常データを前記学習モデルに入力することにより、前記学習モデルにより予測された正常データである前記第1期間に続く第2期間の予測正常データと、前記正常データのうち前記第2期間の正常データとを比較して、前記第2期間の正常データと前記予測正常データとのずれの程度を示す第1の外れ度を取得する第1取得工程と、
異常状態を示す時系列数値データである異常データのうち第3期間の異常データを前記学習モデルに入力することにより、前記学習モデルにより予測された異常データである前記第3期間に続く第4期間の予測異常データと、前記異常データのうち前記第4期間の異常データとを比較して、前記第4期間の異常データと前記予測異常データとのずれの程度を示す第2の外れ度を取得する第2取得工程と、
前記第1の外れ度及び前記第2の外れ度に基づいて、前記正常データに係る正常状態を示す時系列パターンのうち、不足している時系列パターンを検出する検出工程と、
を含む学習方法を実行させるコンピュータプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019051063 | 2019-03-19 | ||
JP2019051063 | 2019-03-19 | ||
PCT/JP2020/006039 WO2020189132A1 (ja) | 2019-03-19 | 2020-02-17 | 学習装置、学習方法、コンピュータプログラム及び記録媒体 |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020189132A1 JPWO2020189132A1 (ja) | 2020-09-24 |
JP7363889B2 true JP7363889B2 (ja) | 2023-10-18 |
Family
ID=72520167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021506243A Active JP7363889B2 (ja) | 2019-03-19 | 2020-02-17 | 学習装置、学習方法、コンピュータプログラム及び記録媒体 |
Country Status (3)
Country | Link |
---|---|
US (1) | US20220188570A1 (ja) |
JP (1) | JP7363889B2 (ja) |
WO (1) | WO2020189132A1 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2022136708A (ja) * | 2021-03-08 | 2022-09-21 | 富士通株式会社 | 情報処理方法、および情報処理プログラム |
-
2020
- 2020-02-17 US US17/436,728 patent/US20220188570A1/en active Pending
- 2020-02-17 WO PCT/JP2020/006039 patent/WO2020189132A1/ja active Application Filing
- 2020-02-17 JP JP2021506243A patent/JP7363889B2/ja active Active
Non-Patent Citations (2)
Title |
---|
MALHOTRA, Pankaj ほか,Long Short Term Memory Networks for Anomaly Detection in Time Series,Proceedings of the 23rd European Symposium on Artificial Neural Networks,European Symposium on Artificial Neural Networks,2015年,pp. 89-94,[retrieved on 2020.03.31], Retrieved from the Internet: <URL: https://www.elen.ucl.ac.be/Proceedings/esann/esannpdf/es2015-56.pdf> |
塚田 峰登 ほか,FPGAを用いたオンライン逐次学習による教師無し異常検知のための高効率化と安定化手法,電子情報通信学会技術研究報告,日本,一般社団法人電子情報通信学会,2018年07月23日,Vol. 118, No. 165,pp. 217-222(CPSY2018-30),ISSN 2432-6380 |
Also Published As
Publication number | Publication date |
---|---|
JPWO2020189132A1 (ja) | 2020-09-24 |
US20220188570A1 (en) | 2022-06-16 |
WO2020189132A1 (ja) | 2020-09-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6562883B2 (ja) | 特性値推定装置および特性値推定方法 | |
US11551111B2 (en) | Detection and use of anomalies in an industrial environment | |
JP6237774B2 (ja) | 情報処理システム、情報処理方法及びプログラム | |
WO2019160003A1 (ja) | モデル学習装置、モデル学習方法、プログラム | |
CN109416408A (zh) | 震中距估计装置、震中距估计方法以及计算机可读记录介质 | |
Wootton et al. | Structural health monitoring of a footbridge using Echo State Networks and NARMAX | |
TWI557674B (zh) | 品質管理裝置及其管理方法 | |
JP7363889B2 (ja) | 学習装置、学習方法、コンピュータプログラム及び記録媒体 | |
WO2016084326A1 (ja) | 情報処理システム、情報処理方法、及び、記録媒体 | |
JP2020071845A (ja) | 異常検知装置、異常検知方法および異常検知プログラム | |
JP2019105871A (ja) | 異常候補抽出プログラム、異常候補抽出方法および異常候補抽出装置 | |
de Moraes et al. | Data-driven failure prediction in brittle materials: A phase field-based machine learning framework | |
JP2020052460A (ja) | 異常検出システム、及び異常検出プログラム | |
WO2019220609A1 (ja) | 異常検出装置、異常検出方法及びプログラム | |
JP7212292B2 (ja) | 学習装置、学習方法および学習プログラム | |
JP7152938B2 (ja) | 機械学習モデル構築装置および機械学習モデル構築方法 | |
KR102124425B1 (ko) | 시계열 데이터 예측 모델 평가 방법 및 장치 | |
KR102546340B1 (ko) | 노이즈 필터를 이용한 이상치 탐지 방법 및 장치 | |
JP7433648B2 (ja) | 異常検出方法 | |
US10692256B2 (en) | Visualization method, visualization device, and recording medium | |
JP2021174125A (ja) | 情報処理装置および情報処理方法 | |
EP2734997A2 (en) | A method and system for detecting boundary of coarticulated units from isolated speech | |
JP7040065B2 (ja) | 検出プログラム、検出方法および検出装置 | |
Mahzoon et al. | Social skill acquisition model through face-to-face interaction: local contingency for open-ended development | |
JP4894618B2 (ja) | 設計分析装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20210818 |
|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210818 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221018 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221202 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230404 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230628 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230706 |
|
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: 20230905 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230918 |
|
R151 | Written notification of patent or utility model registration |
Ref document number: 7363889 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R151 |