特許ウォッチ

公開番号2024162667
公報種別公開特許公報(A)
公開日2024-11-21
出願番号2023078407
出願日2023-05-11
発明の名称異常検知装置及び異常検知方法
出願人株式会社日立製作所
代理人弁理士法人信友国際特許事務所
主分類G06N 20/00 20190101AFI20241114BHJP(計算;計数)
要約【課題】回帰分析においても入力データの異常検知を行えるようにする。
【解決手段】回帰分析を行うモデルに入力されるデータの異常を検知する異常検知装置であって、入力データが所属するクラスを予測する分類モデル12と、分類モデルによる予測クラスを連続値に変換する変換部(分類結果変換部32)と、各クラスへの帰属確率から入力データの異常度を算出する計算部(異常度算出処理部33)と、を備える。分類モデルは、データと該データに対する連続変数のラベルとの組を格納するデータベースを基に、連続変数のラベルを離散化して離散変数のラベルに変換し、同一の離散変数であれば同一クラス、異なる離散変数であれば異なるクラスになるように定義したクラスを入力データから推定するように学習される。
【選択図】図2
特許請求の範囲【請求項１】
回帰分析を行うモデルに入力されるデータの異常を検知する異常検知装置であって、
入力データから該入力データが所属するクラスを予測する分類モデルと、
前記分類モデルによる予測クラスを予め設定された規則により連続値に変換する変換部と、
前記分類モデルが出力する各クラスへの帰属確率から前記入力データの異常度を算出する計算部と、を備え、
前記分類モデルは、データと該データに対する連続変数のラベルとの組を格納するデータベースを基に、前記連続変数のラベルを離散化して離散変数のラベルに変換し、同一の離散変数であれば同一クラス、異なる離散変数であれば異なるクラスになるように定義したクラスを入力データから推定するように学習される
異常検知装置。
続きを表示（約 1,200 文字）【請求項２】
前記分類モデルにおいて、前記連続変数のラベルの離散化を、予め決定された複数の前記クラスに基づいて前記連続変数の値域を均等に分割することにより実現する
請求項１に記載の異常検知装置。
【請求項３】
前記分類モデルにおいて、前記連続変数のラベルの離散化を、予め各クラスに属するデータの数が等しくなるように前記連続変数の値域を分割することにより実現する
請求項１に記載の異常検知装置。
【請求項４】
前記分類モデルにおいて、前記連続変数のラベルの離散化を、予め前記データベース内の前記連続変数のラベルに対してデータクラスタリングを行って前記連続変数の値域を分割することにより実現する
請求項１に記載の異常検知装置。
【請求項５】
前記変換部は、前記予測クラスに対応する離散変数を前記連続値として出力し、当該連続値を前記回帰分析の結果とする
請求項１に記載の異常検知装置。
【請求項６】
前記変換部は、各クラスに対応する離散変数を前記各クラスへの帰属確率によって重みづけて足し合わせることにより、前記回帰分析の結果としての前記連続値を求める
請求項１に記載の異常検知装置。
【請求項７】
前記計算部で算出した前記異常度が閾値を超えた場合には、前記異常度が閾値を超えた前記入力データを学習用に前記データベースに追加する学習データ追加部、を更に備え、
前記分類モデルは、前記異常度が閾値を超えた前記入力データを用いて再学習される
請求項１に記載の異常検知装置。
【請求項８】
異なる複数の前記分類モデルと、前記連続変数のラベルを離散化する異なる複数の離散化テーブルと、を備え、
各々の前記分類モデルは、前記入力データに対する前記連続変数のラベルを対応する前記離散化テーブルによって離散化して予測クラスを出力し、
前記変換部は、各々の前記分類モデルに由来する前記予測クラスに対応する離散変数を統合することで、前記回帰分析の結果としての前記連続値を求める
請求項１に記載の異常検知装置。
【請求項９】
回帰分析を行うモデルに入力されるデータの異常を検知する異常検知装置による異常検知方法であって、
入力データから該入力データが所属するクラスを予測する分類モデルによる予測クラスを、予め設定された規則により連続値に変換する処理と、
前記分類モデルが出力する各クラスへの帰属確率から前記入力データの異常度を算出する処理と、を含み、
前記分類モデルは、データと該データに対する連続変数のラベルとの組を格納するデータベースを基に、前記連続変数のラベルを離散化して離散変数のラベルに変換し、同一の離散変数であれば同一クラス、異なる離散変数であれば異なるクラスになるように定義したクラスを入力データから推定するように学習される
異常検知方法。

発明の詳細な説明【技術分野】
【０００１】
本発明は、予測モデルに入力されるデータの異常を検知するのに好適な異常検知装置及び異常検知方法に関する。
続きを表示（約 1,400 文字）【背景技術】
【０００２】
機械学習を用いて構築した予測モデルを本番環境で運用する際の課題の一つに、当初想定していなかった入力により、モデルの予測精度が低下することが挙げられる。想定しない入力を検知するために、異常検知やドリフト検知といった技術が開発されている。一方、多クラス分類を行うモデルに関しては、各クラスへの帰属確率を推論の確信度とみなし、確信度が低ければ想定していない入力であると判定する手法が広く用いられている。
【０００３】
ところで、データ分析手法の一つに回帰分析がある。回帰分析は、特徴量（説明変数）から連続値のラベル（目的変数）を予測するようなモデルを当てはめる分析積手法である。近年、このような予測モデルは機械学習を用いて構築されることが多い。機械学習では、学習用データセットとして特徴量とラベルの組を大量に用意し、これを用いて特徴量からラベルを予測する予測モデルを学習する。
【０００４】
しかし、予測モデルを運用する際に、学習用データセットでは想定していなかった特徴量が入力されること（データドリフト）による予測精度の劣化が発生することがある。予測モデルにおいて誤った予測を防ぐためには、このような想定外の特徴量の入力を検知する手段が求められる。
【０００５】
回帰を行うモデルは一般に推論の確信度を出力しないので、データの乖離に基づく検知が一般的なアプローチである。例えば、特許文献１に、データ分布の乖離に基づいて異常検知を行う方法が開示されている。
【先行技術文献】
【特許文献】
【０００６】
特開２０２１－１４０２９７号公報
【発明の概要】
【発明が解決しようとする課題】
【０００７】
しかしながら、特許文献１に記載の技術では、データ分布に基づく異常検知には予測モデルは寄与しない。したがって、データの乖離に基づく異常検知では、予測に全く寄与していない特徴量が大きく変化した際にも異常と判定され得るため、過検知を増加させる可能性がある。
【０００８】
また、多クラス分類を行うモデルにおける各クラスへの帰属確率に基づく異常検知は、回帰分析のようなクラスが定義されない問題に対しては適用できなかった。
【０００９】
本発明は、こうした背景に基づきなされたものであり、回帰分析においても入力データの異常検知を行うことができる異常検知装置及び異常検知方法を提供することを目的とする。
【課題を解決するための手段】
【００１０】
上記課題を解決するために、本発明の一態様の異常検知装置は、回帰分析を行うモデルに入力されるデータの異常を検知する異常検知装置であって、この異常検知装置は、入力データから該入力データが所属するクラスを予測する分類モデルと、分類モデルによる予測クラスを予め設定された規則により連続値に変換する変換部と、分類モデルが出力する各クラスへの帰属確率から入力データの異常度を算出する計算部と、を備える。上記分類モデルは、データと該データに対する連続変数のラベルとの組を格納するデータベースを基に、連続変数のラベルを離散化して離散変数のラベルに変換し、同一の離散変数であれば同一クラス、異なる離散変数であれば異なるクラスになるように定義したクラスを入力データから推定するように学習される。
【発明の効果】
（【００１１】以降は省略されています）

関連特許