JPWO2020039610A1 - 異常要因推定装置、異常要因推定方法、及びプログラム - Google Patents
異常要因推定装置、異常要因推定方法、及びプログラム Download PDFInfo
- Publication number
- JPWO2020039610A1 JPWO2020039610A1 JP2020538016A JP2020538016A JPWO2020039610A1 JP WO2020039610 A1 JPWO2020039610 A1 JP WO2020039610A1 JP 2020538016 A JP2020538016 A JP 2020538016A JP 2020538016 A JP2020538016 A JP 2020538016A JP WO2020039610 A1 JPWO2020039610 A1 JP WO2020039610A1
- Authority
- JP
- Japan
- Prior art keywords
- factor estimation
- abnormality
- test
- data
- dimension
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3688—Test management for test execution, e.g. scheduling of test suites
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/36—Preventing errors by testing or debugging software
- G06F11/3668—Software testing
- G06F11/3672—Test management
- G06F11/3692—Test management for test results analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- Computer Hardware Design (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Probability & Statistics with Applications (AREA)
- Testing And Monitoring For Control Systems (AREA)
- Debugging And Monitoring (AREA)
Abstract
Description
前記異常検知モデルにテストデータを入力し、当該異常検知モデルから出力される出力データと、前記テストデータとに基づいて当該テストデータが異常か否かを判断するテスト部と、
前記テスト部により前記テストデータが異常であると判断された場合に、前記テストデータの各次元の異常に対する寄与度を、各次元の尤度に基づいて計算する要因推定部と
を備えることを特徴とする異常要因推定装置が提供される。
図3に、本実施の形態における異常要因推定装置100の機能構成を示す。図3に示すように、異常要因推定装置100は、学習部101、テスト部102、要因推定部103、記憶部104、入力部105、出力部106を有する。各部の動作内容については後述する実施例において説明する。
まず、実施例1を説明する。実施例1では、異常要因推定装置100は、異常検知アルゴリズムの実行によりテストデータが異常と判断された場合の要因を推定する際に、各次元の尤度に基づいて要因の次元を推定する。
学習フェーズにおいては、まず、入力部105より学習データセットX_train={x_1,…,x_T}が異常要因推定装置100に入力される。
続いて、学習部101は、入力された学習データセットを用いて、異常検知モデル(オートエンコーダ)を学習する。実施例1では、従来の一般的なオートエンコーダにおける学習方法を使用することができる。
入力部105よりテストデータx_testが異常要因推定装置100に入力される。
次に、テスト部102は、従来技術と同様にして記憶部104に保存された学習済みモデル(異常検知モデル)を用いて、x_testの異常度を、平均二乗誤差(x_i−y_i)^2/Nとして計算する。
テスト部102は、計算された異常度が、予め定めた閾値以上であるかどうかを判定し、予め定めた閾値以上でなければ今回の処理を終了する。異常度が予め定めた閾値以上であった場合、x_testは異常データとみなされ、要因推定部102へと送られ、要因推定フェーズへと移る。
要因推定部103は、x_testにおける各次元(iで表わされる)の尤度(ここではp(x_test_i|θ(g(f(x_test))))=exp(−(x_test_i−y_i)^2/2)/(2π)^(1/2))に基づいて、各次元の異常に対する寄与度を決定する。決定された寄与度は出力部106から出力される。このように、各次元の尤度に基づいて各次元の異常に対する寄与度を決定することにより、既存技術のように要因次元数に対してスパース性の仮定を置くことなく、各次元がその値を取る「尤もらしさ」に基づいた要因次元の抽出を行うことができる。
次に、実施例2を説明する。実施例2では、学習フェーズが実施例1と異なる。実施例2におけるテストフェーズ及び要因推定フェーズの処理内容は実施例1と同じである。実施例2の学習フェーズにおける処理を図7のフローチャートを参照して説明する。
学習フェーズにおいては、まず、入力部105より学習データセットX_train={x_1,…,x_T}が異常要因推定装置100に入力される。
続いて、学習部101は、X_trainを用いて、ノイズデータをX_trainに付与しても、ノイズを付与する前のX_trainに対する尤度が高くなるように異常検知モデルを学習する。つまり、異常検知モデルを学習させる際に、予めノイズを付与したデータを入力しても、ノイズを付与する前のデータに対する平均二乗誤差が小さくなるように学習が進められる。
次に、実施例3を説明する。実施例3では、学習フェーズは実施例1又は実施例2と同じである。実施例3における要因推定フェーズの処理内容が実施例1、2と異なる。実施例3のテストフェーズ及び要因推定フェーズにおける処理を図8のフローチャートを参照して説明する。
入力部105よりテストデータx_testが異常要因推定装置100に入力される。
次に、テスト部102は、記憶部104に保存された学習済みモデルを用いて、x_testの異常度を、平均二乗誤差(x_i−y_i)^2/Nとして計算する。
テスト部102は、計算された異常度が、予め定めた閾値以上であるかどうかを判定し、予め定めた閾値以上でなければ今回の処理を終了する。異常度が予め定めた閾値以上であった場合、x_testは異常データとみなされ、要因推定部102へと送られ、要因推定フェーズへと移る。
要因推定部103は、x_test−η(ηはベクトル)に基づいて計算された尤度が閾値以上となるようなηを探索する。すなわち、実施例3では、実施例1で用いたp(x_test_i|θ(g(f(x_test))))ではく、p(x_test−η|θ(g(f(x_test−η))))が閾値以上となるようなベクトルηを探索する。
要因推定部103は、η又は尤度(p(x_test_i|θ(g(f(x_test―η)))))に基づいて各次元の異常に対する寄与度を計算する。すなわち、ηをそのまま寄与度とみなすことしてもよいし、実施例1と同様に尤度を用いて寄与度を計算してもよい。
次に、実施例4を説明する。実施例4は、実施例3に基づくものである。実施例4では、実施例3の要因推定フェーズ(S314)において、ηに対してL_pノルム項||η||_pを与えた上でηの探索を行う。これは、入力データが多次元である場合、異常の要因である次元の数は限られるであろうという前提に基づいた探索を行うことで、より尤もらしい計算結果を得るためである。
次に、実施例5を説明する。実施例5も、実施例3に基づくものである。実施例5では、要因推定部103は、実施例3の要因推定フェーズ(S314)における探索の各イテレーションにおいて、その時の探索点η_tを用いて計算された各次元の尤度p(x_i|θ(g(f(x−η_t)))を計算し、各次元の尤度に応じた目的関数の調整を行う。
次に、実施例6を説明する。実施例6では、要因推定部103は、実施例1の要因推定フェーズ(S114)において、p(x|θ(g(f(x_test)−ξ))が閾値以上となるようなベクトルξを探索し、各次元の異常に対する寄与度を、各次元の尤度p(x_i|θ(g(f(x)−ξ))に基づいて与える。
次に、実施例7を説明する。実施例7では、実施例1の学習フェーズ(S102)において、学習部101は、潜在変数が任意の分布p_z(z)に近くなるように学習を行う。これにより、潜在変数への写像に制約を与え、入力データの構造を活用したより効率的な写像を学習することで、正常データの特徴をより正確に学習し、それに伴い要因次元の抽出精度の向上が期待できる。p_z(z)を標準分布として、学習時の損失関数にKL距離を与えたものがvariational autoencoderに相当し、p_z(z)を任意の分布とし、f(x)とp_z(z)の分類を行う識別器の学習と、識別器が誤った分類をするようなfの学習を繰り返すのがadversarial autoencoderに相当する。
次に、実施例8を説明する。実施例8では、要因推定部103は、実施例1の要因推定フェーズ(S114)において、異常に対する寄与度を尤度ではなく、p(x_test―η|θ(g(f(x_test―η))))が閾値以上となるようなベクトルηを探索し、ηを寄与度とみなす。この実施例は、実施例3においてηをそのまま寄与度とみなすことに相当する。
以上、説明したように、異常要因推定装置100は、多次元数値ベクトルで表されるデータxに対し、元のデータ空間Xと異なる空間Zへの写像fと、Zから元のデータ空間Xへの写像gについて、xとして正常データが与えられた時には、xをfでZに射影し、更にgで元のデータ空間に射影して得られた母数θ(g(f(x)))の元でのxの尤度p(x|θ(g(f(x)))が最大になるようにfとgを学習し、異常検知の対象となるテストデータについては、テストデータをXから写像fでZに射影し、Zから写像gでXに射影した際の尤度が小さい場合にそのデータを異常とみなすような異常検知を実行する。
本発明の実施の形態に係る異常要因推定装置100により、入力データの異常度を算出する異常検知アルゴリズムを用いることで異常と検知された際にその異常の要因について推定を行うことが可能となる。実際に実施例1、2、5、7、8の組み合わせにより要因推定を行った評価結果を以下で説明する。
以上、説明したように、本実施の形態によれば、多次元数値ベクトルで表される入力データに対する出力データの誤差に基づいて異常検知を行うための異常検知モデルを学習する学習部と、前記異常検知モデルにテストデータを入力し、当該異常検知モデルから出力される出力データと、前記テストデータとに基づいて当該テストデータが異常か否かを判断するテスト部と、前記テスト部により前記テストデータが異常であると判断された場合に、前記テストデータの各次元の異常に対する寄与度を、各次元の尤度に基づいて計算する要因推定部とを備えることを特徴とする異常要因推定装置が提供される。
101 学習部
102 テスト部
103 要因推定部
104 記憶部
105 入力部
106 出力部
150 ドライブ装置
151 記録媒体
152 補助記憶装置
153 メモリ装置
154 CPU
155 インターフェース装置
156 表示装置
157 入力装置
Claims (8)
- 多次元数値ベクトルで表される入力データに対する出力データの誤差に基づいて異常検知を行うための異常検知モデルを学習する学習部と、
前記異常検知モデルにテストデータを入力し、当該異常検知モデルから出力される出力データと、前記テストデータとに基づいて当該テストデータが異常か否かを判断するテスト部と、
前記テスト部により前記テストデータが異常であると判断された場合に、前記テストデータの各次元の異常に対する寄与度を、各次元の尤度に基づいて計算する要因推定部と
を備えることを特徴とする異常要因推定装置。 - 前記学習部は、予めノイズを付与した入力データからノイズを除去したデータが出力されるように前記異常検知モデルを学習する
ことを特徴とする請求項1に記載の異常要因推定装置。 - 前記要因推定部は、前記テストデータの異常度を小さくするように前記テストデータの各次元の値を変更するベクトルを探索し、当該ベクトルを用いて前記寄与度を計算する
ことを特徴とする請求項1又は2に記載の異常要因推定装置。 - 前記要因推定部は、前記テストデータの異常度を小さくするように前記テストデータの各次元の値を変更するベクトルを探索し、各次元の尤度に基づいて前記寄与度を計算することに代えて、前記ベクトルを前記寄与度とする
ことを特徴とする請求項1又は2に記載の異常要因推定装置。 - 前記要因推定部は、前記探索における各繰り返し処理の中で、その時点における探索点のベクトルを用いて計算した各次元の尤度に基づいて前記探索における目的関数を与える
ことを特徴とする請求項3又は4に記載の異常要因推定装置。 - 前記学習部は、潜在変数を用いる学習を行うものであり、当該潜在変数が所定の分布に近くなるように学習を行う
ことを特徴とする請求項1ないし5のうちいずれか1項に記載の異常要因推定装置。 - 異常要因推定装置が実行する異常原因推定方法であって、
多次元数値ベクトルで表される入力データに対する出力データの誤差に基づいて異常検知を行うための異常検知モデルを学習する学習ステップと、
前記異常検知モデルにテストデータを入力し、当該異常検知モデルから出力される出力データと、前記テストデータとに基づいて当該テストデータが異常か否かを判断するテストステップと、
前記テストステップにより前記テストデータが異常であると判断された場合に、前記テストデータの各次元の異常に対する寄与度を、各次元の尤度に基づいて計算する要因推定ステップと
を備えることを特徴とする異常原因推定方法。 - コンピュータを、請求項1ないし6のうちいずれか1項に記載の異常要因推定装置における各部として機能させるためのプログラム。
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2018154189 | 2018-08-20 | ||
JP2018154189 | 2018-08-20 | ||
PCT/JP2019/000928 WO2020039610A1 (ja) | 2018-08-20 | 2019-01-15 | 異常要因推定装置、異常要因推定方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JPWO2020039610A1 true JPWO2020039610A1 (ja) | 2021-08-10 |
JP7147853B2 JP7147853B2 (ja) | 2022-10-05 |
Family
ID=69592993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020538016A Active JP7147853B2 (ja) | 2018-08-20 | 2019-01-15 | 異常要因推定装置、異常要因推定方法、及びプログラム |
Country Status (3)
Country | Link |
---|---|
US (1) | US11892944B2 (ja) |
JP (1) | JP7147853B2 (ja) |
WO (1) | WO2020039610A1 (ja) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11449712B2 (en) * | 2018-12-14 | 2022-09-20 | Adobe Inc. | Anomaly detection and reporting for machine learning models |
CN111722720B (zh) * | 2020-06-22 | 2022-10-14 | 芯盟科技有限公司 | 人机交互方法、装置及终端 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045861A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
US20180218261A1 (en) * | 2017-01-31 | 2018-08-02 | Paypal, Inc. | Fraud prediction based on partial usage data |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4967430B2 (ja) * | 2006-04-11 | 2012-07-04 | オムロン株式会社 | 不具合管理装置、不具合管理プログラム、およびこれを記録した記録媒体 |
US7757117B2 (en) * | 2007-04-17 | 2010-07-13 | International Business Machines Corporation | Method and apparatus for testing of enterprise systems |
JP2011059816A (ja) * | 2009-09-07 | 2011-03-24 | Sony Corp | 情報処理装置、情報処理方法、及び、プログラム |
EP2568433A4 (en) * | 2010-05-06 | 2017-10-25 | Nec Corporation | Malfunction analysis apparatus, malfunction analysis method, and recording medium |
US9529700B2 (en) * | 2014-04-25 | 2016-12-27 | Wipro Limited | Method of optimizing execution of test cases and a system thereof |
US9424121B2 (en) * | 2014-12-08 | 2016-08-23 | Alcatel Lucent | Root cause analysis for service degradation in computer networks |
US10120747B2 (en) * | 2016-08-26 | 2018-11-06 | International Business Machines Corporation | Root cause analysis |
US10699012B2 (en) * | 2017-01-11 | 2020-06-30 | Cylance Inc. | Endpoint detection and response utilizing machine learning |
US10572979B2 (en) * | 2017-04-06 | 2020-02-25 | Pixar | Denoising Monte Carlo renderings using machine learning with importance sampling |
US10635519B1 (en) * | 2017-11-30 | 2020-04-28 | Uptake Technologies, Inc. | Systems and methods for detecting and remedying software anomalies |
-
2019
- 2019-01-15 WO PCT/JP2019/000928 patent/WO2020039610A1/ja active Application Filing
- 2019-01-15 US US17/267,084 patent/US11892944B2/en active Active
- 2019-01-15 JP JP2020538016A patent/JP7147853B2/ja active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016045861A (ja) * | 2014-08-26 | 2016-04-04 | 株式会社豊田中央研究所 | 異常診断装置及びプログラム |
US20180218261A1 (en) * | 2017-01-31 | 2018-08-02 | Paypal, Inc. | Fraud prediction based on partial usage data |
Non-Patent Citations (3)
Title |
---|
園田翔、村田昇: "無限層デノイジング・オートエンコーダーの輸送理論解釈", 電子情報通信学会技術研究報告, vol. 第116巻, 第300号, JPN6017030102, 9 November 2016 (2016-11-09), JP, pages 297 - 304, ISSN: 0004696937 * |
池田泰弘ほか: "オートエンコーダを用いた異常検知におけるスパース最適化を用いた要因推定手法", 電子情報通信学会技術研究報告, vol. 第117巻, 第89号, JPN6019001278, 8 June 2017 (2017-06-08), JP, pages 61 - 66, ISSN: 0004696936 * |
田中恒平、小林亜樹: "深層学習を用いた情報推薦のための欠損値補完手法", DEIM FORUM 2016 論文集 [ONLINE], vol. [検索日 2016.08.08], JPN6019008443, 2016, JP, ISSN: 0004696938 * |
Also Published As
Publication number | Publication date |
---|---|
US11892944B2 (en) | 2024-02-06 |
US20210311863A1 (en) | 2021-10-07 |
JP7147853B2 (ja) | 2022-10-05 |
WO2020039610A1 (ja) | 2020-02-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6743934B2 (ja) | 観測変数間の因果関係を推定するための方法、装置、およびシステム | |
JP5214762B2 (ja) | 認識装置、方法及びプログラム | |
KR20160041856A (ko) | 베이지안 최적화를 수행하기 위한 시스템 및 방법 | |
Umlauft et al. | Learning stable Gaussian process state space models | |
Beintema et al. | Nonlinear state-space identification using deep encoder networks | |
JP6509717B2 (ja) | 事例選択装置、分類装置、方法、及びプログラム | |
JPWO2011086889A1 (ja) | 特徴点選択システム、特徴点選択方法および特徴点選択プログラム | |
Petelin et al. | Optimization of Gaussian process models with evolutionary algorithms | |
JP2019144623A (ja) | モデル学習装置、モデル学習方法、プログラム | |
JPWO2020039610A1 (ja) | 異常要因推定装置、異常要因推定方法、及びプログラム | |
JP6645441B2 (ja) | 情報処理システム、情報処理方法、及び、プログラム | |
KR101725121B1 (ko) | 특징 벡터 분류 장치 및 방법 | |
Petelin et al. | Evolving Gaussian process models for predicting chaotic time-series | |
US20220327394A1 (en) | Learning support apparatus, learning support methods, and computer-readable recording medium | |
JP2020024513A (ja) | 誤り判定装置、誤り判定方法、及びプログラム | |
JP6662715B2 (ja) | 予測装置、予測方法及びプログラム | |
Dance et al. | Fast and Scalable Spike and Slab Variable Selection in High-Dimensional Gaussian Processes | |
JP2021081795A (ja) | 推定システム、推定装置および推定方法 | |
Whang et al. | Responsible AI challenges in end-to-end machine learning | |
Qian et al. | On sampling-and-classification optimization in discrete domains | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
JP7331938B2 (ja) | 学習装置、推定装置、学習方法及び学習プログラム | |
Al-Behadili et al. | Semi-supervised learning using incremental support vector machine and extreme value theory in gesture data | |
CN114462581A (zh) | 网络结构搜索方法和装置 | |
JP2016520220A (ja) | 隠れ属性モデル推定装置、方法およびプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20210203 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220201 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220404 |
|
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: 20220823 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220905 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7147853 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |