文献

J-GLOBAL ID：202202242578225833   整理番号：22A1079956

リザバーコンピューティングによる再構成処理を利用した時系列信号の異常検知の試み

Experiments of Reconstructive Reservoir Computing to Detect Anomaly in Time-series Signals

著者 (5件)： 加藤准也 (東大 大学院工学系研究科) ,  田中剛平 (東大 ニューロインテリジェンス国際研究機構) ,  田中剛平 (東大 大学院工学系研究科) ,  中根了昌 (東大 大学院工学系研究科) ,  廣瀬明 (東大 大学院工学系研究科)
資料名： 電子情報通信学会技術研究報告(Web)  (IEICE Technical Report (Web))
巻： 121  号： 390(NC2021 46-78)  ページ： 5-10 (WEB ONLY)  発行年： 2022年02月23日 
JST資料番号： U2030A  ISSN： 2432-6380  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 本論文は,時系列信号を対象にした異常検知手法として,再構成リザバーコンピューティング(RRC)を提案する。RRCは,入力信号を入力と同じタイミングまたは遅れて再構成し,出力するものである。ただし再構成に成功するのは,正常な信号が入力された場合である。異常な信号が入力された場合は再構成されない。そのため再構成誤差が大きい時を異常と判定し,異常検知ができる。リザバーコンピューティング(RC)による再構成手法で,時系列データの異常検知が可能なことを,我々は初めて実験で確認した。また漏れ率というパラメータを小さくしたほうが,RRCによる異常検知で有利であることも確認した。RCで時系列信号の異常検知を行う従来手法の一つに,将来の信号を予測し,予測が外れたら異常と判定するものがある。すでに入力された信号を復元しようとする再構成は,まだ入力されていない信号を出力する予測手法とは本質的に異なる。そして提案する再構成手法のほうが,従来の予測手法と比べて,異常検知に有利であることを実験で確認した。RCの特性により,速い学習,そのため消費電力の削減が実現できる。リザバーコンピューティングは物理現象で実現可能である。物理リザバーを小型デバイス化したときは,異常検知は有望な応用先であり,そのための手法としてRRCを提案する。(著者抄録)

シソーラス用語： ニューラルネットワーク ,  再構成 ,  *データ ,  *検出 ,  比率 ,  *機械学習 ,  ネットワーク
準シソーラス用語： エコー状態ネットワーク ,  リカレントニューラルネットワーク ,  *リザバーコンピューティング ,  *異常検知 ,  *時系列データ ,  信号再構成 ,  漏れ率

分類 (2件)： 人工知能  (JE08000Z) ,  信号理論  (ND02020G)

引用文献 (28件)：

• Y. Xia, X. Cao, F. Wen, G. Hua, and J. Sun, “Learning discriminative reconstructions for unsupervised outlier removal,” in Proceedings of the IEEE International Conference on Computer Vision (ICCV), December 2015.
• A. S. Hashmi and T. Ahmad, “GP-ELM-RNN: Garson-pruned extreme learning machine based replicator neural network for anomaly detection,” Journal of King Saud University-Computer and Information Sciences, 2019.
• D. Kwon, H. Kim, J. Kim, S. C. Suh, I. Kim, and K. J. Kim, “A survey of deep learning-based network anomaly detection,” Cluster Computing, vol. 22, no. 1, pp. 949-961, 2019.
• B. Thompson, R. Marks, J. Choi, M. El-Sharkawi, H. Ming-Yuh, and C. Bunje, “Implicit learning in autoencoder novelty assessment,” in Proceedings of the 2002 International Joint Conference on Neural Networks. IJCNN’02 (Cat. No.02CH37290), vol. 3, 2002, pp. 2878-2883 vol.3.
• S. Chaurasia, S. Goyal, and M. Rajput, “Outlier detection using autoencoder ensembles: A robust unsupervised approach,” in 2020 International Conference on Contemporary Computing and Applications (IC3A), 2020, pp. 76-80.

タイトルに関連する用語 (5件)： リザバーコンピューティング ,  再構成処理 ,  時系列 ,  異常検知 ,  試み