狠狠撸

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】
统计的手法に基づく异常音検知の理论と応用

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

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

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

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

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

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

異常音検知の手法の整理
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
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

今日の話題
異常検知とは
? 外れ値検知

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
? ?
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
? ?, Θ

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
? ?
異常度計算関数
? ?, Θ
未知異常＝異常音のデータがない

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

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

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
…
……
……
……
…
…
……
……
……
…
?
Normal
Anomaly
? 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

今日の話題
異常検知とは
? 外れ値検知

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]

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

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？

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]

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

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

検知結果例
22

→ AdaBN-flowによる学習 [山口ほか, 2018]

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！

教師ありの “識別” 学習を行おう！
識別超平面

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？

「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

-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
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
29
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

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

既知異常の結果
1 ?? 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

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
???? 1
? １～３が正常、７～９が既知異常、４～６が未知異常

→ 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！

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

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

…
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
?1
?1
はBatch-normalization
…
AdaBN-flow

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

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

?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

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）

（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）

今日の話題
異常検知とは
? 外れ値検知

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？
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
教師なし
外れ値検知

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…

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！

Q&A

狠狠撸

统计的手法に基づく异常音検知の理论と応用

More Related Content

统计的手法に基づく异常音検知の理论と応用