異常検知

異常検知の仕組み

異常検知システムは通常、訓練データセットに存在する正常なパターンを学習する。この学習は様々な方法によって行われる：

1. 統計的手法：平均値、標準偏差、確率分布など、データの統計的性質を利用して正常範囲を定義する方法。この範囲外のデータ点は異常とみなされる。
2. 機械学習のアプローチ：
   • クラスタリング： DBSCANのようなアルゴリズムは、類似したデータ点をグループ化する。どのクラスタにも属さない、または非常に小さなクラスタに属するポイントは、異常としてフラグを立てることができる。
   • 分類： サポートベクターマシン（SVM）やニューラルネットワーク（NN）のような技術は、正常なデータと異常なデータを区別するために訓練することができ、多くの場合、両方のラベル付き例を必要とする（教師あり学習）。
   • オートエンコーダ：これらのニューラルネットワークは、正常なデータを圧縮して再構成することを学習する。異常はしばしば高い再構築エラーとなり、検出可能である。これは主に正常なデータから学習するため、教師なし学習の一形態である。

どの方法を選択するかは、データの性質と特定のアプリケーションの要件に依存する。

異常検知と関連概念との比較

異常検知を、関連するコンピュータビジョン（CV）やMLタスクと区別することは重要である：

• 物体検出：このタスクは、画像内の既知のタイプの物体を識別し、位置を特定することに重点を置く（例えば、すべての車と歩行者を見つける）。異常検出、特に視覚においては、事前に定義されたクラスに属さない予期せぬ物体や欠陥を特定することがある。例えば、表面そのものを識別するのではなく、表面の亀裂を検出する。
• 画像の分類：これは、画像をいくつかの定義済みのカテゴリのいずれかに割り当てる（例えば、画像を「猫」または「犬」を含むものとして分類する）。異常検出は、通常の予想されるカテゴリのいずれにもうまく当てはまらない画像やパターンを識別します。

実世界での応用

異常検知の応用範囲は広い：

• 製造品質管理：ビジョン・システムを使って、生産ライン上の傷やひび割れ、ずれた部品などの欠陥を特定する。製造業におけるAIはこれを活用し、不良品が消費者に届くのを防ぐ。例えば、ラベルが誤って印刷されたボトルを異常品として検出することができます。コンピュータ・ビジョンがどのように品質管理を向上させるかについては、こちらをご覧ください。
• サイバーセキュリティ異常なネットワーク・トラフィック・パターン、予期しない場所からのログイン試行、またはマルウェア、侵入、サービス拒否攻撃を示す可能性のある異常なシステム動作を検出すること。Cybersecurity and Infrastructure Security Agency (CISA)のような組織は、このような検出方法の重要性を強調している。
• 金融詐欺の検出：異常に多額の買い物や見慣れない場所からの取引など、不正行為のシグナルとなり得る非典型的な取引パターンを特定します。AIが金融にどのような影響を与えるかをご覧ください。
• ヘルスケアスキャン画像から腫瘍を特定したり、異常な患者のバイタルサインにフラグを立てるなど、医療画像解析で異常な結果を検出します。YOLO モデルが腫瘍検出にどのように使用できるかをご覧ください。
• システムヘルスモニタリング：産業機器やITインフラストラクチャのセンサーやログを監視し、故障を予測したり、通常の動作パラメータからの逸脱に基づいてパフォーマンスの問題を検出します。 YOLO11レガシーシステムの監視をご覧ください。

ツールとテクノロジー

異常検知システムの開発には、標準的なMLライブラリや特殊なプラットフォームが使われることが多い。例えば PyTorchや TensorFlowのようなフレームワークは、カスタムモデルを構築するための基本的なツールを提供する。視覚ベースのタスクには Ultralytics YOLOのようなモデルを適応させることができる。事前にトレーニングされたYOLO モデルは、一般的なオブジェクトの検出に優れていますが、特定のデータセットでカスタムトレーニングすることで、固有の欠陥や異常な視覚パターンなど、ドメイン固有の異常を識別することができます。Ultralytics HUBのようなプラットフォームは、このようなモデルを効率的にトレーニング、デプロイ、管理するための統合環境を提供します。

異常検知は、現代のAIとMLにおいて不可欠な機能であり、多くの業界において重大な問題や逸脱を事前に特定することを可能にします。関連概念については、Ultralytics 用語集をご覧ください。