Slide 1

Slide 1 text

Intro Proposed method Experiments References 論文紹介:Unsupervised Detection of Anomalous Sound Based on Deep Learning and the Neyman–Pearson Lemma Masanari Kimura 総研大 統計科学専攻 日野研究室 [email protected]

Slide 2

Slide 2 text

Intro Proposed method Experiments References Intro 2/16

Slide 3

Slide 3 text

Intro Proposed method Experiments References Introduction 3/16

Slide 4

Slide 4 text

Intro Proposed method Experiments References TL;DR ▶ Neyman–Pearson の補題に基づいた目的関数を採用した Auto-Encoder ベースの教師 なし異常音検知手法の提案 Koizumi et al. [2018]. 4/16

Slide 5

Slide 5 text

Intro Proposed method Experiments References Proposed method 5/16

Slide 6

Slide 6 text

Intro Proposed method Experiments References Abstract ▶ Auto-encoder ベースの異常検知アルゴリズムは,正常データに対して異常スコアが 小さくなることしか保証しない; ▶ 異常データに対して異常スコアが大きくなることは保証しない. ▶ これを改善するため,異常検知の問題を仮設検定の問題と捉えて目的関数を修正する ことを考える. 6/16

Slide 7

Slide 7 text

Intro Proposed method Experiments References Notations ▶ 異常スコア:A(xT, Θ) = − ln p(xT|Θ, y = 0); ▶ 状態:y = {0, 1}; ▶ 閾値:ϕ; 7/16

Slide 8

Slide 8 text

Intro Proposed method Experiments References Objective Function for Anomaly Detection Based on the Neyman-Pearson Lemma 異常音は以下を満たす: p(x|Θ, y = 0) < exp (−ϕ). (1) このとき異常検知問題は以下の仮設検定の問題として扱うことができる: 帰無仮説 x は正常モデル p(x|Θ, y = 0) から生成されたサンプルである. Neyman-Pearson の補題から,最強力テストは特定の FPR を達成する可能なテストの中 で最大の検出力を持つ: maximize TPR(Θ, ϕ), s.t. FPR(Θ, ϕ) = ρ. (2) ここから,最適化対象の目的関数は J NP(Θ) = TPR(Θ, ϕ) − FPR(Θ, ϕ). (3) 8/16

Slide 9

Slide 9 text

Intro Proposed method Experiments References Anomalous Sound Simulation Using an Autoencoder I ▶ 正常音を全ての音の部分集合,異常音をその補集合とする. ▶ そこで,異常音のシミュレーションに棄却サンプリングを用いる. 実装上は,潜在変数 z(a) を棄却サンプリングによって生成し,入力変数 x(a) を再構成する 関数 G を考える: x(a) = G(z(a)|ΘG ). (4) 9/16

Slide 10

Slide 10 text

Intro Proposed method Experiments References Anomalous Sound Simulation Using an Autoencoder II 10/16

Slide 11

Slide 11 text

Intro Proposed method Experiments References Training procedure 11/16

Slide 12

Slide 12 text

Intro Proposed method Experiments References Experiments 12/16

Slide 13

Slide 13 text

Intro Proposed method Experiments References Datasets ▶ Stereolithography 3D-printer:学習データとして 2 時間の正常音を用意.異常音はス イーパーと形成されたオブジェクトの衝突により発生し,3D プリンターは異常音の 発生から 5 分後に停止する. ▶ Air blower pump:学習データとして 20 分の正常音を用意.異常音は送風ダクトに異 物が付着して詰まることによって発生.この異常によってシステムがすぐさま停止す ることはない. ▶ Water pump:学習データとして 3 時間の正常音を用意.4kHz を超えると,異常音の 振幅が通常の音よりも大きくなり,これはベアリングの摩耗によって発生する.定期 検査を行っている専門家の判断によりベアリング交換が行われた. 全てのデータはサンプリングレート 16kHz で収集されている. 13/16

Slide 14

Slide 14 text

Intro Proposed method Experiments References Experimental conditions 14/16

Slide 15

Slide 15 text

Intro Proposed method Experiments References Verification experiment in a real environment 15/16

Slide 16

Slide 16 text

Intro Proposed method Experiments References References I Yuma Koizumi, Shoichiro Saito, Hisashi Uematsu, Yuta Kawachi, and Noboru Harada. Unsupervised detection of anomalous sound based on deep learning and the neyman–pearson lemma. IEEE/ACM Transactions on Audio, Speech, and Language Processing, 27(1):212–224, 2018. 16/16