ディープラーニングを使った時系列データの異常検知の手法の紹介と適用例を示します。

1. ディープラーニングによる
時系列データの異常検知
@LT会
2018/2/16
IoT/AIソリューション事業部 長谷川哲也

2. 自己紹介
1
■ 名前：長谷川哲也
■ 所属：IoT/AIソリューション事業部（最近できました）
学生時代：数値計算
入社後：ほぼ機械学習関連のお仕事
商品のレコメンド、画像の自動分類
異常検知、自然言語処理など
なんかいろいろやっています

3. 今回お話すること
2
■ 世の中で大ブームになっているディープラーニングを用いた
時系列データの異常検知の手法の1つの概要と、
それの実験結果を示します
■ ただし詳細についてはここでは説明しません

4. ディープラーニングとは？
3
人間の神経回路網を模したモデルによってデータの特徴を
良くとらえることができる手法
特に 画像や音声などに対しては他の手法よりも高性能
大量の画像
未知の画像を識別特徴を学習
画像識別の例

5. 時系列データに対する
ディープラーニングの手法
4
■ 通常のディープラーニングでは時系列データを扱うことができない
■ RNN（Recurrent Neural Network）と呼ばれる手法を用いることで、
ディープラーニングで時系列データを扱うことが可能
時系列データの例：文章、音声、波形など
■ RNNの一種であるLSTM（Long ShortTerm Memory）が
実際にはよく使われる
– 通常のRNNよりも長い時系列データに対して学習が可能！

6. 時系列データの異常検知
5
異常な箇所時系列データの例
異常が発生した場合に自動でそれを検知したい

7. ディープラーニングによる
時系列データの異常検知の手法
6
ディープラーニングによる異常検知の手法はいくつか存在する
今回は入力された時系列データをLSTMによって
復元するように学習していく手法を扱う[1]
[1] Pankaj Malhotra et al.,
LSTM-based Encoder-Decoder for Multi-sensorAnomaly Detection (2016)

8. 手法のアイデア
7
学習に使う正常波形
LSTMのモデル
入力波形と似た波形
入力 出力
正常波形が復元されるように学習
学習に使うのは
複数の正常波形
学習時

9. 手法のアイデア
8
未知の波形が異常かどうかの判定時
学習に使わなかった正常波形
LSTMのモデル
入力波形と似た波形
入力 出力
学習に使った波形と似た特徴をもつため、
上手く復元可能

10. 手法のアイデア
9
未知の波形が異常かどうかの判定時
異常波形
LSTMのモデル
入力波形と似ない波形
入力 出力
学習に使った波形と特徴が異なるため、
上手く復元できない

11. 手法のアイデア
10
 異常検知の場合にはどれだけ波形が異常なのかを
あらわす異常度を計算する
 異常度が大きいほど波形が異常
 本手法の場合には、入力波形と出力波形との
誤差にもとづいて異常度を計算
 ただし単純に誤差が異常度になっているわけではない
異常度の計算

12. 実験の内容
11
 次のような電力需要のデータを学習（以下は一週間分のデータ例）
 言語はpython3、ライブラリはPyTorch ver0.3を使用
月曜 火曜 水曜 木曜 金曜 土曜 日曜

13. 実験結果
12
 正常データでの結果
上手く復元される

14. 実験結果
13
 異常データでの結果
上手く復元できない
異常度大

15. 実験結果
14
 異常データでの結果

16. 実験結果
15
 異常データでの結果

17. 16
 今回はディープラーニングを用いた時系列データの
異常検知を紹介しました
 ただし、異常検知においては、いつもディープラーニングを
使うと良いというわけではありませんのでご注意ください
さいごに