1. どんなもの？LSTMベースのEncoder, Decoderを利用した、複数センサーデータの異常検知に対応した異常検知手法の提案。検証の結果以下の点で有用であることを示した。 positive likelihood が1.0を大幅に上回り、高い異常検知スコアを示した。 周期的なデータに対して、複数のWindow枠でも異常検知した。 predictable、nonpredictableなデータセット両方において、異常検知可能である
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
1. どんなもの？異種混合的であったり、極めて動的である時系列センサーデータの変化解析において、近傍保存原理を確率的近傍グラフの定式化を流用して実装することで、汚さに負けないロバストな異常検知を実現した。 2. 先行研究と比べてどこがすごいの？PCAやMDSのような既存手法ではグローバルな構造の変化を問題にしており、高度に動的な相関系では不安定であり、実用性には限界があったが、ローカルな関係に着目した近傍性保存原理にしたがって異常度を計
1. どんなもの？ 2. 先行研究と比べてどこがすごいの？3. 技術や手法の”キモ”はどこにある？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 Pankaj Malhotra, Lovekesh Vig, Gautam Shroff, Puneet Agarwal，”Long Short Term Memory Networks for Anomaly Detection in
1. どんなもの？本論文では19の異なる教師なし異常検知の手法を10の異なるドメインのデータセットを用いて比較し、教師なし異常検知の指標を提示している。それぞれの手法の強みと弱みやアルゴリズムのパフォーマンスや必要な計算リソース、パラメータチューニングといった特徴について言及し、各シナリオに応じてどのようなアルゴリズムが効果的か提案している。nearest-neighborベースのアルゴリズムが総合的に良い結果をグローバル異常検知の場合
1. どんなもの？非線形かつ、ロバスト性が高く、未知のデータにも対応できるRobust Autoencorderの提案。 2. 先行研究と比べてどこがすごいの？既存の異常検知にはそれぞれ以下の欠点がある。・PCA極端な異常データに対して過剰に反応してしまう・Robust PCA極端な異常データに対して強いが、非線形表現はできない。さらに未知のデータについて予測できない。 上記問題に対して、提案するRobust Autoencord
1. どんなもの？CNN（畳み込みニューラルネットワーク）の欠点を克服し、より頑強（ロバスト）になったカプセルネットワーク構造の提案。 2. 先行研究と比べてどこがすごいの？Convolutional Neural Networksには以下の欠点がある。 プーリング層は位置普遍性を獲得できるが、その反面空間的な構造の情報を喪失している。 回転や比率が変わった画像認識を行うためには膨大な訓練データを必要とする。カプセルネットワーク
1. どんなもの？教師なし学習における部分空間クラスタリングのニューラルネットワークに関わる提案。部分空間クラスタリングにおいて効果的と言われてきたself-expressivenessプロパティの代わりにencorderとdecoderの間にself-expressiveness層として代替する案を提案している。また、部分空間クラスタリングを効果的に学習させる事前学習やfine-tuning方法も提案。検証により本手法が部分空間