1. どんなもの？

センサー間の相関がノイズに対して極めて脆弱なため、異常の兆候をノイズから切り分けるのが難しいが、疎な構造学習を用いることで、学習が可能であることを示した。
また、相関異常検知問題において、複数の変数ペアにおいて何かの異常が検知されても、その情報を個々のセンサーの異常度に帰着させるのが難しいが、提案手法（GGMから導かれる条件付きKL距離の平均を用いるKL異常度）では高い異常検知性能を示した。

2. 先行研究と比べてどこがすごいの？

センサー間の相関がノイズに対して極めて脆弱なため、異常の兆候をノイズから切り分けるのが難しいが、疎な構造学習を用いることで、
相関異常検知問題において、複数の変数ペアにおいて何かの異常が検知されても、その情報を個々のセンサーの異常度に帰着させるのが難しいが、提案手法（GGMから導かれる条件付きKL距離の平均を用いるKL異常度）では高い異常検知性能を示した。

3. 技術や手法の”キモ”はどこにある？

• 疎な構造学習の手法
• グラフィカル・ガウシアン・モデルから情報論的に自然に導かれる相関異常スコア

4. どうやって有効だと検証した？

5. 議論はあるか？

6. 次に読むべき論文はあるか？

論文情報・リンク

• Tsuyoshi Ide, “” 2007年 論文リンク