特徴量エンジニアリング

まっつさん発表資料です。

Transcript

1. 1 Low-Shot Anomaly Detection： 特徴量エンジニアリングがんばりました
2. 自己紹介 所属: 製造業です。ものをぶっ壊す装置つくってます 職業: 昔ながらのエンジニア（物体検知機械学習少々、制御系組み込み） 趣味: こども相手の科学実験教室 1
3. 3 時系列センサーデータ（センサー値３件×2万行～/件）の生データ 不良データ、人がチェックするの大変なんで、 自動でみつけて、こんだけデータあるから、AIならできるでしょ 依頼内容
4. データ状況 AI学習に必要な不良データ（NGサンプル）が非常に少ない 立ち上がり不良 チャート形状不良 総データ数 149件 149件 NGデータ数 7件 10件 NGデータの割合 約5% 約7% 3
5. 【失敗】正常データで学習、異常検出ではうまくいかず NGデータを訓練から除外しても、再構成誤差が十分に出ませんでした。 正常データ（142件）のみを用いてオートエンコーダを訓練 目的：NGデータは再構成誤差が大きくなるはず 結果：NGデータが全てすり抜けた（再構成誤差が正常データと大差なし） 原因：NGデータが正常データの分布の裾野に含まれてしまっている可能性 ＊ Isolation Forest: 、LOFも試してみたが今ひとつ © Google Inc. 5
6. 生データからの情報抽出フロー 時系列計測値データ（３計測値×2万行～/件）の生データから、特徴量を思い つく限り計算しました。 STEP 1 数十万点の生データ STEP 2 物理的解釈に基づく特徴量候補を計算 STEP 3 各特徴量とNGの相関（感度）を算出 STEP 4 相関の高いTop N特徴量を選定し学習 © Google Inc. 7
7. 7 線形回帰からの残差の標準偏差を、応力変化幅で正規化した指標。データの直線からの「ばらつき」 を評価 正規化RMSE
8. 8 P2P残差 残差の最大値と最小値の差（ピークツーピーク範囲）を正規化した指標。異常な外れ値の検出に有効 です。
9. 9 残差の最大値と最小値の差（ピークツーピーク範囲）を 正規化した指標。異常な外れ値の検出に有効です。 波形振動
10. 10 線形回帰の決定係数（R²）。データが直線にどれだけ適 合しているかを示す最も基本的な指標 直線性R²
11. 11 応力-ひずみ曲線の2次微分（曲率）を1次微分（傾き）で 正規化した指標。曲線の「曲がり具合」を評価します。 正規化曲率
12. 12 残差の時系列自己相関係数。連続する残差が同じ符号 を持つ傾向（系統的な誤差パターン）を検出します。 残差自己相関
13. 13 局所的な傾きが最終傾きの±10%以内に収束するまで の相対位置。試験開始時の不安定領域を評価します。 傾き安定化率
14. 14 Savitzky-Golayフィルタで平滑化した成分と元データの 差（高周波成分）のパワー比率。測定ノイズの程度を評 価します。 高周波ノイズ比率
15. 15 応力データの変動係数（CV: Coefficient of Variation）。 応力の相対的なばらつきを評価します。 応力変動率
16. 16 計測値と時間の関係のR²値。計測値変化量の安定性を 評価します。 計測値-時間線形性 計測値 計測値速度
17. 17 残差が連続して上昇または下降する最大区間の長さ。 系統的なトレンド（曲線の「うねり」）を検出します。 最大連続トレンド
18. 現時点でのAI分類結果（注意：過学習の可能性あり） 今回NGデータが少なかったで、AI学習にすべてのデータを使用し、同じNGデータを判定しました （本来は、検証には学習に用いたデータ以外で検証を行います） 一見、高精度に見えますが、学習データをそのまま使っているためで、新しいデータには使えない可能性が高 いです。 項目 不良一致 過検出 見逃し 正常一致 立ち上がり不良 (7件) 7件 2件 0件 140件 チャート形状不 良 (10件) 10件 1件 0件 138件 9
19. 課題と今後の方向性 AI判定を実用化するためには、予測精度の一般化（新しいデータへの適用）が 不可欠です。 一般化性能の低さ NGデータが少ないため、未知のデータには対応できない可能性が高い 良質な特徴量の追求 熟練技術者のNGデータの判断を抽象化し、よりよい特徴量として組み込む テストデータの確保 AIが汎用的に使えるか確認するための、学習に使用していないNGデータで検証 10