Unsupervised anomaly detection

　「データに寄せる」を利用した例として，Unsupervised anomaly detect ionと，Unsupervised domain adaptationがあります。
　Unsupervised anomaly detectionは，正常データしかないときに，正常か異常かを見分けるものです。例えば，医療や製造業の外観検査では，正常データが圧倒的に多数だと考えられます。こうした中では，正常データだけから異常を見分けられるようにする技術が必要になります。このような問題に対して，GANを用いたアプローチを紹介していきます。
　この手法は2段階に分かれています。1段階目は学習段階で，2段階目は推論段階です。推論段階では，新しい画像に対して，正常か異常かを見分けていきます。学習段階では，正常データしかないので，正常データのみを使って学習します。このような学習を行うと，Generatorは正常データかそれに近い画像のみしか生成できません。そこで，GANでは，推論段階で正常か異常かを判別したい画像に対して，Generatorが生成できる中で最も近い画像を探索するという最適化問題を解きます。正常画像では近い画像を探索できるので差分は小さくなりますが，異常データでは近い画像がありませんので差分が大きくなり，その大小で判別が可能になります。実用では，OCT画像の結果でも，正常データと異常データを見分けられるようになっています。
　Unsupervised anomaly detectionでは，推論時に最適化問題を解いて探索するのに時間がかかると言われています。そこで，最近の研究例では，「推論時の探索」までを学習しておくようにされています。ニューラルネットワークを工夫して，GAN学習時に同時に探索の方法まで学習するのです。
　OCT画像から始まった分野ですが，現在は，X線手荷物検査画像や時系列データなどいろいろな領域に適用されています。

＜次ページへ続く＞