異常検知入門（シリーズ機械学習の数理:1月）

2021年度1月開講分、お申込受付中です。こちらからお申込みいただけます。

講座の概要

この講座はシリーズ機械学習の数理の1月分です。

傷のついた製品を検知したり、システムへの悪意ある侵入を検知するような技術課題は「異常検知」とよばれ、機械学習が応用されているホットトピックの一つです。しかし、異常検知は多くの困難を抱えている挑戦的な課題でもあります。例えば、

1. 正常データのばらつきがとても大きく、異常を見分けづらい
2. 異常データは一般にほとんど入手できない
3. 異常の種類は多岐にわたりうる

などが代表的な問題点です。

この講座は異常の統計学的な定式化から始めます。そして、古典的な異常検知のアプローチから、1-class SVM、密度推定による異常検知、主成分分析による異常検知を紹介します。なお異常検知では、画像や音声といった複雑な構造を持つデータへの応用が期待されていることから、ニューラルネットワークの応用が研究されています。講座の後半では、深層学習を応用した異常検知から、1-class ニューラルネットワーク、変分オートエンコーダ・深層生成モデルによる異常検知を紹介します。

受講にあたって

受講する上で必要な知識

・基本的なPC操作
・サポートベクトルマシン、主成分分析の基本的な知識
・ニューラルネットワークの基本的な知識
・scikit-learn, KerasまたはPyTorchのコーディング経験

カリキュラム

（前半）異常検知の定式化と異常検知の古典的な手法

1. 異常検知の定式化
異常とはなにかを統計学的に定式化します。そして異常検知におけるデータセットが持ちうる性質について手短な紹介を与えます。また、異常検知の手法のいくつかを簡単にサーベイします。

2. 異常検知の古典的な手法
異常検知は、異常データが一般にほとんど入手できないという性質から、半教師あり学習・教師なし学習のいずれかを用いたアプローチが一般的です。そこで半教師なし学習によるアプローチから1-class SVM、教師なし学習によるアプローチから密度推定の応用・主成分分析の応用を紹介し、それぞれの長所・短所をまとめます。

（後半）ニューラルネットワークの異常検知への応用
1. 1-class ニューラルネットワーク


1-class ニューラルネットワークは、1-class SVMと同様に正常なデータのみを学習して、正常・異常を予測できるようにする半教師あり学習の手法の一つです。ここでは、1-class ニューラルネットワークの仕組みを解説し、kerasによる実装例・簡単な実験を紹介します。

2. 変分オートエンコーダ・深層生成モデルによる異常検知


これらによる異常検知は密度推定や主成分分析による異常検知のアイディアをニューラルネットワークで実現したものと考えることができます。これらの基礎になる変分オートエンコーダと深層生成モデルの仕組みの概要を説明し、kerasを用いた実験を紹介します。（実装例は少し難しいですが、時間の許す限り話せればと思います。）

お申込み

お申し込みは、以下のお申込フォームからお願いします。

※お手数ですが、件名について『異常検知入門（シリーズ機械学習の数理:1月）』を選択のうえ送信をお願いします。