Submit Search
Upload
統計的手法に基づく異常音検知の理論と応用
•
5 likes
•
6,404 views
Yuma Koizumi
Follow
小泉 悠馬, 他 "統計的手法に基づく異常音検知の理論と応用," 日本音響学会 2018年秋季研究発表会, 招待講演, 2018.
Read less
Read more
Technology
Slideshow view
Report
Share
Slideshow view
Report
Share
1 of 46
Download now
Download to read offline
Recommended
音響信号に対する異常音検知技術と応用
音響信号に対する異常音検知技術と応用
Yuma Koizumi
異常音検知に対する深層学習適用事例
異常音検知に対する深層学習適用事例
NU_I_TODALAB
深層学習と音響信号処理
深層学習と音響信号処理
Yuma Koizumi
距離学習を導入した二値分類モデルによる異常音検知
距離学習を導入した二値分類モデルによる異常音検知
NU_I_TODALAB
深層学習を利用した音声強調
深層学習を利用した音声強調
Yuma Koizumi
音響システム特論 第11回 実環境における音響信号処理と機械学習
音響システム特論 第11回 実環境における音響信号処理と機械学習
Yuma Koizumi
異常音検知の実用化に向けて
異常音検知の実用化に向けて
Ryohei Yamaguchi
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
Shinnosuke Takamichi
Recommended
音響信号に対する異常音検知技術と応用
音響信号に対する異常音検知技術と応用
Yuma Koizumi
異常音検知に対する深層学習適用事例
異常音検知に対する深層学習適用事例
NU_I_TODALAB
深層学習と音響信号処理
深層学習と音響信号処理
Yuma Koizumi
距離学習を導入した二値分類モデルによる異常音検知
距離学習を導入した二値分類モデルによる異常音検知
NU_I_TODALAB
深層学習を利用した音声強調
深層学習を利用した音声強調
Yuma Koizumi
音響システム特論 第11回 実環境における音響信号処理と機械学習
音響システム特論 第11回 実環境における音響信号処理と機械学習
Yuma Koizumi
異常音検知の実用化に向けて
異常音検知の実用化に向けて
Ryohei Yamaguchi
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
JTubeSpeech: 音声認識と話者照合のために YouTube から構築される日本語音声コーパス
Shinnosuke Takamichi
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
Yuma Koizumi
音情報処理における特徴表現
音情報処理における特徴表現
NU_I_TODALAB
ICASSP 2019での音響信号処理分野の世界動向
ICASSP 2019での音響信号処理分野の世界動向
Yuma Koizumi
環境音の特徴を活用した音響イベント検出・シーン分類
環境音の特徴を活用した音響イベント検出・シーン分類
Keisuke Imoto
実環境音響信号処理における収音技術
実環境音響信号処理における収音技術
Yuma Koizumi
信号の独立性に基づく多チャンネル音源分離
信号の独立性に基づく多チャンネル音源分離
NU_I_TODALAB
音声合成のコーパスをつくろう
音声合成のコーパスをつくろう
Shinnosuke Takamichi
音楽波形データからコードを推定してみる
音楽波形データからコードを推定してみる
Ken'ichi Matsui
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
Naoya Takahashi
JVS:フリーの日本語多数話者音声コーパス
JVS:フリーの日本語多数話者音声コーパス
Shinnosuke Takamichi
深層生成モデルに基づく音声合成技術
深層生成モデルに基づく音声合成技術
NU_I_TODALAB
音源分離における音響モデリング(Acoustic modeling in audio source separation)
音源分離における音響モデリング(Acoustic modeling in audio source separation)
Daichi Kitamura
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
Yui Sudo
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
佑 甲野
統計的音声合成変換と近年の発展
統計的音声合成変換と近年の発展
Shinnosuke Takamichi
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
Kitamura Laboratory
Moment matching networkを用いた音声パラメータのランダム生成の検討
Moment matching networkを用いた音声パラメータのランダム生成の検討
Shinnosuke Takamichi
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
More Related Content
What's hot
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
Yuma Koizumi
音情報処理における特徴表現
音情報処理における特徴表現
NU_I_TODALAB
ICASSP 2019での音響信号処理分野の世界動向
ICASSP 2019での音響信号処理分野の世界動向
Yuma Koizumi
環境音の特徴を活用した音響イベント検出・シーン分類
環境音の特徴を活用した音響イベント検出・シーン分類
Keisuke Imoto
実環境音響信号処理における収音技術
実環境音響信号処理における収音技術
Yuma Koizumi
信号の独立性に基づく多チャンネル音源分離
信号の独立性に基づく多チャンネル音源分離
NU_I_TODALAB
音声合成のコーパスをつくろう
音声合成のコーパスをつくろう
Shinnosuke Takamichi
音楽波形データからコードを推定してみる
音楽波形データからコードを推定してみる
Ken'ichi Matsui
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
Naoya Takahashi
JVS:フリーの日本語多数話者音声コーパス
JVS:フリーの日本語多数話者音声コーパス
Shinnosuke Takamichi
深層生成モデルに基づく音声合成技術
深層生成モデルに基づく音声合成技術
NU_I_TODALAB
音源分離における音響モデリング(Acoustic modeling in audio source separation)
音源分離における音響モデリング(Acoustic modeling in audio source separation)
Daichi Kitamura
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
Yui Sudo
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
佑 甲野
統計的音声合成変換と近年の発展
統計的音声合成変換と近年の発展
Shinnosuke Takamichi
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
Shohei Hido
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
cvpaper. challenge
不均衡データのクラス分類
不均衡データのクラス分類
Shintaro Fukushima
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
Kitamura Laboratory
Moment matching networkを用いた音声パラメータのランダム生成の検討
Moment matching networkを用いた音声パラメータのランダム生成の検討
Shinnosuke Takamichi
What's hot
(20)
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
A Brief Introduction of Anomalous Sound Detection: Recent Studies and Future...
音情報処理における特徴表現
音情報処理における特徴表現
ICASSP 2019での音響信号処理分野の世界動向
ICASSP 2019での音響信号処理分野の世界動向
環境音の特徴を活用した音響イベント検出・シーン分類
環境音の特徴を活用した音響イベント検出・シーン分類
実環境音響信号処理における収音技術
実環境音響信号処理における収音技術
信号の独立性に基づく多チャンネル音源分離
信号の独立性に基づく多チャンネル音源分離
音声合成のコーパスをつくろう
音声合成のコーパスをつくろう
音楽波形データからコードを推定してみる
音楽波形データからコードを推定してみる
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
音源分離 ~DNN音源分離の基礎から最新技術まで~ Tokyo bishbash #3
JVS:フリーの日本語多数話者音声コーパス
JVS:フリーの日本語多数話者音声コーパス
深層生成モデルに基づく音声合成技術
深層生成モデルに基づく音声合成技術
音源分離における音響モデリング(Acoustic modeling in audio source separation)
音源分離における音響モデリング(Acoustic modeling in audio source separation)
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
深層学習を用いた音源定位、音源分離、クラス分類の統合~環境音セグメンテーション手法の紹介~
多様な強化学習の概念と課題認識
多様な強化学習の概念と課題認識
統計的音声合成変換と近年の発展
統計的音声合成変換と近年の発展
Jubatus Casual Talks #2 異常検知入門
Jubatus Casual Talks #2 異常検知入門
cvpaper.challenge 研究効率化 Tips
cvpaper.challenge 研究効率化 Tips
不均衡データのクラス分類
不均衡データのクラス分類
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
深層学習に基づく音響特徴量からの振幅スペクトログラム予測
Moment matching networkを用いた音声パラメータのランダム生成の検討
Moment matching networkを用いた音声パラメータのランダム生成の検討
Recently uploaded
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
CRI Japan, Inc.
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
sn679259
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
CRI Japan, Inc.
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
Toru Tamaki
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
atsushi061452
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
WSO2
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Toru Tamaki
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Hiroshi Tomioka
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
iPride Co., Ltd.
Recently uploaded
(11)
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
LoRaWAN スマート距離検出デバイスDS20L日本語マニュアル
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
知識ゼロの営業マンでもできた!超速で初心者を脱する、悪魔的学習ステップ3選.pptx
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
LoRaWANスマート距離検出センサー DS20L カタログ LiDARデバイス
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介:Video-GroundingDINO: Towards Open-Vocabulary Spatio-Temporal Video Groun...
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
論文紹介: The Surprising Effectiveness of PPO in Cooperative Multi-Agent Games
Utilizing Ballerina for Cloud Native Integrations
Utilizing Ballerina for Cloud Native Integrations
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
論文紹介:Selective Structured State-Spaces for Long-Form Video Understanding
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その32024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
新人研修 後半 2024/04/26の勉強会で発表されたものです。
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Observabilityは従来型の監視と何が違うのか(キンドリルジャパン社内勉強会:2022年10月27日発表)
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
Amazon SES を勉強してみる その22024/04/26の勉強会で発表されたものです。
統計的手法に基づく異常音検知の理論と応用
1.
Copyright©2018 NTT corp.
All Rights Reserved. 2018/09/14 @日本音響学会秋季研究発表会 SS: 音による異常検知に関する最近の研究動向 1 ◯小泉 悠馬, 河内 祐太, 山口 正隆, 齊藤 翔一郎, 植松 尚, 原田 登 NTTメディアインテリジェンス研究所 【招待講演】 統計的手法に基づく異常音検知の理論と応用
2.
Copyright©2018 NTT corp.
All Rights Reserved. 2 小泉 悠馬(こいずみ ゆうま) 専門:音楽音響(修士まで) ⇒ 電気音響(会社から) 略歴 2014年: 法政大学 情報科学研究科 修了 2014年: NTTメディアインテリジェンス研究所 入所 2017年: 博士(工学) (電気通信大学) 研究内容 音響信号処理 × 機械学習の基礎研究と実用化 音源強調:うるさい中から欲しい音だけ取り出したい! 異常検知:周囲の異変を音から検知したい! 指導教官 伊藤 克亘教授 指導教官 羽田 陽一教授 自己紹介
3.
Copyright©2018 NTT corp.
All Rights Reserved. 3 今日の話題 異常検知とは 統計的未知異常音検知 外れ値検知 深層学習を利用した外れ値検知 最近の研究成果の紹介 未知異常音の検知精度を上げるには? 既知異常音も利用するには? 環境変化にロバストにするためには? 実環境の小話とまとめ
4.
Copyright©2018 NTT corp.
All Rights Reserved. 4 異常音検知とは 目的: アプリケーション: “危険”を予知/早急に察知し,”大事故” を回避 人による(常時)監視を計算機で代替 街頭監視システム 製品検査 / 設備保守 “Anomalies are patterns in data that do not conform to a well-defined notion of normal behavior” [1] [1] V. Chandola, et al., “Anomaly detection: A survey,” ACM compt. Surv., 2009 異常とは、正常と定義されたふるまいに従わないパターンである
5.
Copyright©2018 NTT corp.
All Rights Reserved. 5 異常音検知の手法の整理 異常音の詳細(定義) 既知 未知 物 理 or 統 計 物理 ルールベース 特定音検知 ルールベース 外れ値検知 統計 教師あり 音響イベント検知 教師なし 外れ値検知 2つの観点と4つの分類
6.
Copyright©2018 NTT corp.
All Rights Reserved. 6 既知異常 or 未知異常 未知異常の検知 既知異常の検知 どんな異常音かわからない or 網羅的な定義が不可能 ひび割れ、傷、衝突、パーツの脱落など 精度は低いが、実現できれば様々な現場で利用可能 事前にどんな異常音が鳴るかわかっているケース 漏水音、銃声、悲鳴の検知など 精度が高いが、未知の異常音は検知できない
7.
Copyright©2018 NTT corp.
All Rights Reserved. 7 物理的手法 or 統計的手法 統計的手法 (SIer 向き) 物理的手法 (メーカーさん向き) Data driven な運用 ドメイン知識不要 = 技術の横展開が容易 専門家の知識を反映させづらい 機械学習の “常識” が通用しないことも 監視対象の構造に基づくルールベースな検知 監視対象に特化できるので性能が出やすい 構造の詳細を知っている人でないとできない
8.
Copyright©2018 NTT corp.
All Rights Reserved. 8 異常音検知の手法の整理 異常音の詳細(定義) 既知 未知 物 理 or 統 計 物理 ルールベース 特定音検知 ルールベース 外れ値検知 統 計 教師あり 音響イベント検知 教師なし 外れ値検知 限定的 & 精度高 概括的 & 精度低 今日の話題: 教師なし異常音検知の精度をどう高めるか
9.
Copyright©2018 NTT corp.
All Rights Reserved. 9 今日の話題 異常検知とは 統計的未知異常音検知 外れ値検知 深層学習を利用した外れ値検知 最近の研究成果の紹介 未知異常音の検知精度を上げるには? 既知異常音も利用するには? 環境変化にロバストにするためには? 実環境の小話とまとめ
10.
Copyright©2018 NTT corp.
All Rights Reserved. 10 教師なし異常音検知の難しさ 異常音の データ 正常音の データ 学習データ (音データ) 学習データ (正解ラベル) 異常判定関数 ℋ 𝐱 正常 異常 正常 or 異常 一般的な機械学習(音声認識タイプ):教師あり学習 ⇒ 正常な音と異常な音をたくさん集めて、判別ルールを学習 未知異常=異常音のデータがない 異常度計算関数 𝒜 𝐱, Θ
11.
Copyright©2018 NTT corp.
All Rights Reserved. 11 教師なし異常音検知の難しさ 異常音の データ 正常音の データ 学習データ (音データ) 学習データ (正解ラベル) 正常 異常 正常 or 異常 一般的な機械学習(音声認識タイプ):教師あり学習 ⇒ 正常な音と異常な音をたくさん集めて、判別ルールを学習 異常音はほとんど集まらない どんな異常音が鳴るかもわからない 教師あり識別問題として解けない 異常判定関数 ℋ 𝐱 異常度計算関数 𝒜 𝐱, Θ 未知異常=異常音のデータがない
12.
Copyright©2018 NTT corp.
All Rights Reserved. 12 異常とは (再掲) “Anomalies are patterns in data that do not conform to a well-defined notion of normal behavior” [1] [1] V. Chandola, et al., “Anomaly detection: A survey,” ACM compt. Surv., 2009 異常とは、正常と定義されたふるまいに従わないパターンである normal behavior をモデルで定義し、 そこからの乖離を計算すれば実現できそう A or B ではなく、A or not A を考える問題
13.
Copyright©2018 NTT corp.
All Rights Reserved. 13 外れ値検知と異常音検知 正常な音を覚え、知らない音がなったら異常とする 正常音の学習データから正常モデル を学習し、その負の対数尤度を異常度 とする 異常度の定義 異常度の閾値判定
14.
Copyright©2018 NTT corp.
All Rights Reserved. 14 オートエンコーダを利用した異常検知 再構成誤差を異常度に利用 … …… …… …… … … …… …… …… … 𝐱 Normal Anomaly 𝐱 Θ Θ 再構成誤差 ⇒ 異常度 正常音を再構成するよう学習 → 再構成されるなら正常
15.
Copyright©2018 NTT corp.
All Rights Reserved. 15 今日の話題 異常検知とは 統計的未知異常音検知 外れ値検知 深層学習を利用した外れ値検知 最近の研究成果の紹介 未知異常音の検知精度を上げるには? 既知異常音も利用するには? 環境変化にロバストにするためには? 実環境の小話とまとめ
16.
Copyright©2018 NTT corp.
All Rights Reserved. 16 教師なし異常音検知の未解決(だった)問題 1. 異常データに対する精度が保証されない 2. 既知異常データを利用できない 3. 複雑な正常モデルと新規ドメイン適応のトレードオフ → ネイマン・ピアソン指標による学習 [Koizumi+, 2017] → 補集合VAEによる学習 [Kawachi+, 2018] → AdaBN-flowによる学習 [山口ほか, 2018]
17.
Copyright©2018 NTT corp.
All Rights Reserved. 17 True-positive-rate (TPR) & False-positive-rate (FPR) TPR: 異常を「正しく異常と判定」する確率 FPR: 正常を「誤って異常と判定」する確率
18.
Copyright©2018 NTT corp.
All Rights Reserved. 18 異常度関数はどう学習すべきか? 正常音に低い異常度 & 異常音に高い異常度を与えたい オートエンコーダ:正常音を再構成するよう学習 → 「異常は再構成されない」という保証はない 既存の外れ値検知は同じ問題が起きる TPRを高く、FPRを低くしたい 異常音検知は “汎化” してはダメ! では、どんな目的関数で学習をすればよいか?
19.
Copyright©2018 NTT corp.
All Rights Reserved. 19 ネイマン・ピアソン最適化指標 異常検知を仮説検定とみなした目的関数 ×:異常な確率が高い音(=MAP推定) 異常音の定義: ○:正常音とはいえない音(=仮説検定) 最強力仮説検定の満たす性質(ネイマン・ピアソンの補題) ネイマン・ピアソンの補題を満たすように DNNを学習する目的関数を設計 [Koizumi+, EUSIPCO 2017]
20.
Copyright©2018 NTT corp.
All Rights Reserved. 20 異常データは作れる! 「異常=正常じゃない」という定義から異常を生成 異常は正常の補集合 ➡ 異常 = 全体 – 正常 棄却サンプリング & DNNで異常データを生成
21.
Copyright©2018 NTT corp.
All Rights Reserved. 21 学習手順 3つのニューラルネットワークを使って学習 異常な機械音を棄却サンプリングで生成 ネイマン・ピアソン指標を最大化するように学習
22.
Copyright©2018 NTT corp.
All Rights Reserved. 22 検知結果例 22
23.
Copyright©2018 NTT corp.
All Rights Reserved. 23 教師なし異常音検知の未解決(だった)問題 1. 異常データに対する精度が保証されない 2. 既知異常データを利用できない 3. 複雑な正常モデルと新規ドメイン適応のトレードオフ → ネイマン・ピアソン指標による学習 [Koizumi+, 2017] → 補集合VAEによる学習 [Kawachi+, 2018] → AdaBN-flowによる学習 [山口ほか, 2018]
24.
Copyright©2018 NTT corp.
All Rights Reserved. 24 既知異常データをどう組み込むか? 運用中に異常データが得られた! 運用中に 得られた異常音 このデータも学習に組み込みたい!
25.
Copyright©2018 NTT corp.
All Rights Reserved. 25 既知異常データをどう組み込むか? 教師ありの “識別” 学習を行おう! 識別超平面
26.
Copyright©2018 NTT corp.
All Rights Reserved. 26 既知異常データをどう組み込むか? 識別超平面 教師ありの識別学習では 未知異常を検知できない 未知異常を見逃してしまう… 異常音検知は “識別” として解いてはダメ! では、既知異常と未知異常の両方を検知するには?
27.
Copyright©2018 NTT corp.
All Rights Reserved. 27 「補集合の分布」という考え方 なぜ “識別” がダメなのか -10 -8 -6 -4 -2 0 2 4 6 8 10 0 0.2 0.4 0.6 正常 既知異常 異常判定領域 得られた音が、既知異常と正常のどちらに似ているか? どんなに正常の確率が小さくても、既知異常の確率の方が小さ ければ、正常と判定してしまう
28.
Copyright©2018 NTT corp.
All Rights Reserved. -10 -8 -6 -4 -2 0 2 4 6 8 10 0 0.1 0.2 0.3 0.4 正常 補集合 28 「補集合の分布」という考え方 異常 = 正常の補集合 → 既知異常は、補集合分布からのサンプルと考える 補集合の近似分布 [Kawachi+, ICASSP 2018] ※ は、全集合(あらゆる音)の確率分布
29.
Copyright©2018 NTT corp.
All Rights Reserved. -10 -8 -6 -4 -2 0 2 4 6 8 10 0 0.1 0.2 0.3 0.4 正常 補集合 29 「補集合の分布」という考え方 異常 = 正常の補集合 → 既知異常は、補集合分布からのサンプルと考える 補集合の近似分布 [Kawachi+, ICASSP 2018] ※ は、全集合(あらゆる音)の確率分布 -10 -8 -6 -4 -2 0 2 4 6 8 10 0 0.1 0.2 0.3 0.4 正常 補集合 異常判定領域
30.
Copyright©2018 NTT corp.
All Rights Reserved. 30 どのような学習がされるのか? 正常と補集合が隠れ層の事前分布の変分AEを学習 中間層を可視化 0~8が正常、9が既知異常とした場合 中心付近に 正常の数字が集中 既知異常は 原点から離れた位置 に存在
31.
Copyright©2018 NTT corp.
All Rights Reserved. 31 既知異常の結果 1 𝑣𝑠 1 どの数字が既知異常だったとしても、 教師なしアプローチより高い精度で検知可能 ※ 従来法は再構成誤差が良いが、提案法は ELBO がよい
32.
Copyright©2018 NTT corp.
All Rights Reserved. 32 未知異常の結果 未知異常も、従来法以上の精度で検知可能 𝐶𝑎𝑠𝑒 1 1~3が正常、7~9が既知異常、4~6が未知異常
33.
Copyright©2018 NTT corp.
All Rights Reserved. 33 教師なし異常音検知の未解決(だった)問題 1. 異常データに対する精度が保証されない 2. 既知異常データを利用できない 3. 複雑な正常モデルと新規ドメイン適応のトレードオフ → ネイマン・ピアソン指標による学習 [Koizumi+, 2017] → 補集合VAEによる学習 [Kawachi+, 2018] → AdaBN-flow による学習 [山口ほか, 2018] 本研究発表会の初日のポスターで発表した内容です!
34.
Copyright©2018 NTT corp.
All Rights Reserved. 異常音 異常と判定 オレンジが 正常分布 正常音 正常と判定 環境の変化に適応したい 点線が 学習した 正常範囲 34
35.
Copyright©2018 NTT corp.
All Rights Reserved. 正常音 異常と誤判定 緑が 変化した 正常分布 点線が 学習した 正常範囲 異常音 正常と誤判定 環境の変化に適応したい 機器や環境の経年変化で正常分布は変動する 現場に GPU なんてないし、データを集めるのはお金がかかる DNN正常モデルを高速かつ低演算に適応できないか? 35
36.
Copyright©2018 NTT corp.
All Rights Reserved. … 表現したい 正常の分布 Normalizing flow を利用して正常モデルを学習 途中の変換に Batch-normalization を挟んでおく ℱ1 −1 はBatch-normalization … AdaBN-flow
37.
Copyright©2018 NTT corp.
All Rights Reserved. 表現したい 正常の分布 … 正常の分布が変化したため 正規化されない AdaBN-flow 観測分布が変化すると、尤度が下がっていく
38.
Copyright©2018 NTT corp.
All Rights Reserved. 表現したい 正常の分布 … … BN層のみ更新 AdaBN-flow Batch-Normalization 層だけを再学習 観測ドメインでは高次モーメントマッチングとなる 平均と分散の最尤推定のため、Back-propagationは不要
39.
Copyright©2018 NTT corp.
All Rights Reserved. 定量評価実験 【確認ポイント】既存モデルを、少量データを用いて変化させることで 異常検知精度を向上させることができるか 実験1:オートエンコーダとの精度比較 大量にデータ収集した場合の従来法との精度比較 適応に用いるデータ量と精度の調査 実験2:環境適応のロバスト性 同機種異個体、周囲環境の変化、経年変化に対応できるか? 機器や環境などの様々な変化を収集するために、 車の模型の走行音を収集して実験 同機種異個体 環境音の変化 モーターにかかる電圧が変化 評価実験 39
40.
Copyright©2018 NTT corp.
All Rights Reserved. 40 同機種異個体の実験 検知対象の 学習データ量 [sample] AUROC (異常判定精度) オートエンコーダ (適応不可) - 0.808 提案法 (少量データ+CPUで適応) 100 sample 0.859 オートエンコーダ再学習 74,000 sample 0.868 提案法で再学習 74,000 sample 0.880 AEの 約0.1% のデータで、ほぼ同等の異常検知精度を実現 AEと同量のデータを利用すると、AEより性能が向上 1. 適応で精度向 上 2. ほぼ同等の性 能 3. 同量のデータ を使えば凌駕 ※ 1台のミニ四駆で、74,000 sample 利用して学習。それを2台目のミニ四駆の少量データ で適応した結果。異常データは疑似的に生成した金属のぶつかり音など140種類。 評価実験(1/2)
41.
Copyright©2018 NTT corp.
All Rights Reserved. (1)周囲雑音の変化 検知対象の 学習データ量 [sample] AUROC (異常判定精度) 適応前 - 0.814 適応後 1,000 sample 0.859 (2)電圧変化(経年変化の模擬) 検知対象の 学習データ量 [sample] AUROC (異常判定精度) 適応前 - 0.763 適応後 1,000 sample 0.832 周囲環境の変化、電圧変化にも適応できることを確認 ※ 新品の状態より、電圧が1V低下 した状況を想定 評価実験(2/2)
42.
Copyright©2018 NTT corp.
All Rights Reserved. 42 今日の話題 異常検知とは 統計的未知異常音検知 外れ値検知 深層学習を利用した外れ値検知 最近の研究成果の紹介 未知異常音の検知精度を上げるには? 既知異常音も利用するには? 環境変化にロバストにするためには? 実環境の小話とまとめ
43.
Copyright©2018 NTT corp.
All Rights Reserved. システムを組む時に大切なこと その異常音 本当に「機械学習」が必要ですか? 異常音の詳細(定義) 既知 未知 物 理 or 統 計 物理 ルールベース 特定音検知 ルールベース 外れ値検知 統計 教師あり 音響イベント検知 教師なし 外れ値検知
44.
Copyright©2018 NTT corp.
All Rights Reserved. システムを組む時に大切なこと 異常度の後処理 雑音抑圧 外れ値検知の極意は、正常のエントロピーを下げること そのためにも、ほとんどの環境で雑音抑圧は必須 Software だけでなく、マイク配置や風防など、Hardware 的な工夫も必須 フレーム毎の異常度計算は本当に必須か? 最終的なアラートを出すために、スムージングや検知ルール の作りこみは必須 ⇒ ゆくゆくは自動化する技術を作りたい…
45.
Copyright©2018 NTT corp.
All Rights Reserved. まとめ 教師なし統計的異常検知は、適応範囲が広い が、精度向上の余地がたくさん 機械学習の常識が通用しないことばかり 研究分野として Blue Ocean 皆様の、ますますのご参入 お待ちしております!
46.
Copyright©2018 NTT corp.
All Rights Reserved. 46 Q&A
Download now