(19)【発行国】日本国特許庁(JP)
(12)【公報種別】特許公報(B1)
(11)【特許番号】
(24)【登録日】2024-09-02
(45)【発行日】2024-09-10
(54)【発明の名称】異常検出装置、および異常検出方法
(51)【国際特許分類】
G05B 23/02 20060101AFI20240903BHJP
G06F 18/2433 20230101ALI20240903BHJP
G06N 3/094 20230101ALI20240903BHJP
【ＦＩ】
G05B23/02 302Z
G05B23/02 302R
G06F18/2433
G06N3/094
【請求項の数】
5
(21)【出願番号】P 2024097788
(22)【出願日】2024-06-18
【審査請求日】2024-06-18
【早期審査対象出願】
(73)【特許権者】
【識別番号】397036309
【氏名又は名称】株式会社インターネットイニシアティブ
(74)【代理人】
【識別番号】100118902
【弁理士】
【氏名又は名称】山本 修
(74)【代理人】
【識別番号】100106208
【弁理士】
【氏名又は名称】宮前 徹
(74)【代理人】
【識別番号】100196508
【弁理士】
【氏名又は名称】松尾 淳一
(74)【代理人】
【識別番号】100195408
【弁理士】
【氏名又は名称】武藤 陽子
(72)【発明者】
【氏名】柿島 純
【審査官】岩▲崎▼ 優
(56)【参考文献】
【文献】特許第７５２１１４５（ＪＰ，Ｂ１）
【文献】特許第７４２４５９５（ＪＰ，Ｂ２）
【文献】特開２０２１－０４７１００（ＪＰ，Ａ）
【文献】特開２０２０－０７１８４５（ＪＰ，Ａ）
【文献】特開２０２０－０３８４８５（ＪＰ，Ａ）
【文献】欧州特許出願公開第０３９８２２９８（ＥＰ，Ａ１）
【文献】韓国登録特許第１０－２３８７３１３（ＫＲ，Ｂ１）
(58)【調査した分野】(Int.Cl.，ＤＢ名)
Ｇ０５Ｂ ２３／００ －２３／０２
Ｇ０６Ｆ １８／２４３３
Ｇ０６Ｎ ３／０９４
(57)【特許請求の範囲】
【請求項1】
信号の周波数スペクトルにおける各周波数成分の強度がしきい値を超えるか否かを観測値とした混合確率モデルに対して、前記信号に含まれる特定の周波数成分の強度が前記しきい値を超える異常な周波数成分の出現パターンを表すように、前記観測値の集合である観測データの分布を設定するように構成された第１設定部と、設定された前記観測データの分布に基づいて前記混合確率モデルのパラメータを設定するように構成された第２設定部と、
設定された前記パラメータを有する前記混合確率モデルを、前記信号に含まれる前記異常な周波数成分の出現パターンを表す真の異常情報として、前記真の異常情報に類似する疑似異常情報を生成する生成器と、前記生成器によって生成された前記疑似異常情報と前記真の異常情報とを識別する識別器とを有する生成モデルの敵対的学習を行うように構成された学習部と、
前記学習部によって構築された学習済み生成器を用いて前記疑似異常情報を生成するように構成された生成部と、
前記生成部によって生成された前記疑似異常情報に基づいて、前記信号の異常を検出するように構成された検出部と
を備える異常検出装置。
【請求項2】
請求項１に記載の異常検出装置において、さらに、端末で測定された前記信号を収集するように構成された収集部を備え、
前記検出部は、前記疑似異常情報が示す、前記異常な周波数成分を含む周波数スペクトルと、前記収集部によって収集された前記信号の周波数スペクトルとが一致する場合に、前記信号の異常を検出する
ことを特徴とする異常検出装置。
【請求項3】
請求項１に記載の異常検出装置において、前記混合確率モデルは、混合ベルヌーイ分布に従うモデルであり、
前記混合確率モデルの前記パラメータは、各クラスタが前記観測値を発生する確率を表す混合比率、および前記各クラスタの前記観測値が前記周波数成分の強度が前記しきい値を超える値をとる確率を含む
ことを特徴とする異常検出装置。
【請求項4】
信号の周波数スペクトルにおける各周波数成分の強度がしきい値を超えるか否かを観測値とした混合確率モデルに対して、前記信号に含まれる特定の周波数成分の強度が前記しきい値を超える異常な周波数成分の出現パターンを表すように、前記観測値の集合である観測データの分布を設定する第１設定ステップと、設定された前記観測データの分布に基づいて前記混合確率モデルのパラメータを設定する第２設定ステップと、
設定された前記パラメータを有する前記混合確率モデルを、前記信号に含まれる前記異常な周波数成分の出現パターンを表す真の異常情報として、前記真の異常情報に類似する疑似異常情報を生成する生成器と、前記生成器によって生成された前記疑似異常情報と前記真の異常情報とを識別する識別器とを有する生成モデルの敵対的学習を行う学習ステップと、
前記学習ステップで構築された学習済み生成器を用いて前記疑似異常情報を生成する生成ステップと、
前記生成ステップで生成された前記疑似異常情報に基づいて、前記信号の異常を検出する検出ステップと
を備える異常検出方法。
【請求項5】
請求項４に記載の異常検出方法において、さらに、端末で測定された前記信号を収集する収集ステップを備え、
前記検出ステップは、前記疑似異常情報が示す、前記異常な周波数成分を含む周波数スペクトルと、前記収集ステップで収集された前記信号の周波数スペクトルとが一致する場合に、前記信号の異常を検出する
ことを特徴とする異常検出方法。
【発明の詳細な説明】
【技術分野】
【0001】
本発明は、異常検出装置、および異常検出方法に関する。
【背景技術】
【0002】
従来から、時系列信号の特徴を周波数領域で解析し、信号に含まれる異常を検出する技術が知られている。例えば、特許文献１は、正常信号および異常信号の両方の周波数スペクトルを学習データとして用いて構築した機械学習モデルにより、センサで測定された信号の異常を推定する技術を開示する。
【0003】
しかし、特許文献１に開示された技術では、異常を検出するのに十分な精度を有するモデルを構築するために、十分な数の異常信号を得る必要があり、長期間にわたって異常信号を蓄積しなければならなかった。また、統計的な手法により周波数スペクトルでの信号の異常を検出する場合においても、異常信号の測定データが大量に必要となる場合があった。
【先行技術文献】
【特許文献】
【0004】
【文献】特開２０２０－０２７３８６号公報
【発明の概要】
【発明が解決しようとする課題】
【0005】
このように、従来の技術によれば、大量の異常信号の測定データを用いることなく、信号の異常を検出することが困難な場合があった。
【0006】
本発明は、上述した課題を解決するためになされたものであり、大量の異常信号の測定データを用いることなく、信号の異常を検出することを目的とする。
【課題を解決するための手段】
【0007】
上述した課題を解決するために、本発明に係る異常検出装置は、信号の周波数スペクトルにおける各周波数成分の強度がしきい値を超えるか否かを観測値とした混合確率モデルに対して、前記信号に含まれる特定の周波数成分の強度が前記しきい値を超える異常な周波数成分の出現パターンを表すように、前記観測値の集合である観測データの分布を設定するように構成された第１設定部と、設定された前記観測データの分布に基づいて前記混合確率モデルのパラメータを設定するように構成された第２設定部と、設定された前記パラメータを有する前記混合確率モデルを、前記信号に含まれる前記異常な周波数成分の出現パターンを表す真の異常情報として、前記真の異常情報に類似する疑似異常情報を生成する生成器と、前記生成器によって生成された前記疑似異常情報と前記真の異常情報とを識別する識別器とを有する生成モデルの敵対的学習を行うように構成された学習部と、前記学習部によって構築された学習済み生成器を用いて前記疑似異常情報を生成するように構成された生成部と、前記生成部によって生成された前記疑似異常情報に基づいて、前記信号の異常を検出するように構成された検出部とを備える。
【0008】
また、本発明に係る異常検出装置において、さらに、端末で測定された前記信号を収集するように構成された収集部を備え、前記検出部は、前記疑似異常情報が示す、前記異常な周波数成分を含む周波数スペクトルと、前記収集部によって収集された前記信号の周波数スペクトルとが一致する場合に、前記信号の異常を検出してもよい。
【0009】
また、本発明に係る異常検出装置において、前記混合確率モデルは、混合ベルヌーイ分布に従うモデルであり、前記混合確率モデルの前記パラメータは、前記各クラスタが前記観測値を発生する確率を表す混合比率、および前記各クラスタの前記観測値が前記周波数成分の強度が前記しきい値を超える値をとる確率を含んでいてもよい。
【0010】
上述した課題を解決するために、本発明に係る異常検出方法は、信号の周波数スペクトルにおける各周波数成分の強度がしきい値を超えるか否かを観測値とした混合確率モデルに対して、前記信号に含まれる特定の周波数成分の強度が前記しきい値を超える異常な周波数成分の出現パターンを表すように、前記観測値の集合である観測データの分布を設定する第１設定ステップと、設定された前記観測データの分布に基づいて前記混合確率モデルのパラメータを設定する第２設定ステップと、設定された前記パラメータを有する前記混合確率モデルを、前記信号に含まれる前記異常な周波数成分の出現パターンを表す真の異常情報として、前記真の異常情報に類似する疑似異常情報を生成する生成器と、前記生成器によって生成された前記疑似異常情報と前記真の異常情報とを識別する識別器とを有する生成モデルの敵対的学習を行う学習ステップと、前記学習ステップで構築された学習済み生成器を用いて前記疑似異常情報を生成する生成ステップと、前記生成ステップで生成された前記疑似異常情報に基づいて、前記信号の異常を検出する検出ステップとを備える。
【0011】
また、本発明に係る異常検出方法において、さらに、端末で測定された前記信号を収集する収集ステップを備え、前記検出ステップは、前記疑似異常情報が示す、前記異常な周波数成分を含む周波数スペクトルと、前記収集ステップで収集された前記信号の周波数スペクトルとが一致する場合に、前記信号の異常を検出してもよい。
【発明の効果】
【0012】
本発明によれば、設定されたパラメータを有する混合確率モデルを、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報として、真の異常情報に類似する疑似異常情報を生成する生成器と、生成器によって生成された疑似異常情報と真の異常情報とを識別する識別器とを有する生成モデルの敵対的学習を行う。そのため、大量の異常信号の測定データを用いることなく、信号の異常を検出することができる。
【図面の簡単な説明】
【0013】
【発明を実施するための形態】
【0014】
【0015】
［異常検出システムの構成］
まず、図１を参照して本発明の実施の形態に係る異常検出装置１を備える異常検出システムの概要について説明する。
まず、図１を参照して本発明の実施の形態に係る異常検出装置１を備える異常検出システムの概要について説明する。
【0016】
異常検出システムは、異常検出装置１、および通信端末２（端末）を備える。異常検出装置１と通信端末２とは、ネットワークＮＷを介して接続される。本実施の形態に係る異常検出システムは、通信端末２が測定した信号の周波数スペクトルに基づいて、信号の異常を検出する。
【0017】
ネットワークＮＷは、例えば、ＬＡＮ、ＷＡＮまたはインターネット、ＩＳＤＮなどの有線ネットワークや、無線ＬＡＮ、ＬＴＥ／４Ｇ、５Ｇ、６Ｇ無線通信システムを用いたモバイル通信ネットワーク、ブルートゥース（登録商標（Ｂｌｕｅｔｏｏｔｈ））などの無線ネットワークを含むが、本発明の範囲は、それらに限定されるものではない。
【0018】
通信端末２は、スマートフォンなどの携帯通信端末、タブレット型コンピュータ、ラップトップ型コンピュータ、ウェアラブルデバイスなどとして実現することができる。通信端末２は、ＳＩＭを有し、モバイル通信ネットワークに対応する端末や、ＩＰアドレスを持ち、ＩｏＴ端末として構成されるものを含む。また、通信端末２は、モバイル通信モジュール、および各種センサを備え、様々な物理量を検知し、電気信号として測定することができる。通信端末２は、測定した信号を、ネットワークＮＷを介して異常検出装置１に送信する。本実施の形態では、一例として、通信端末２がモバイル通信モジュールで定期的に測定し記録する、基地局から受信した信号の受信レベルや信号強度を異常検出の対象の信号とする。
【0019】
図１の領域２ａに示すように、通信端末２は、信号強度（「電力［ｄＢ］」）の時系列データを測定し、記録する。領域２ａに示す、信号強度の波形データからは、信号強度の異常の発生を直接検出することが困難である。そのため、後述の異常検出装置１は、信号強度の時系列データを周波数領域のスペクトルに変換し、周波数成分を解析することで信号の異常検出を行う。
【0020】
上述した構成を有する本実施の形態に係る異常検出システムは、信号の周波数スペクトルのパターンを混合ベルヌーイ分布によりモデル化した混合確率モデルを採用する。異常検出システムは、信号の周波数スペクトルにおいて、特定の周波数成分の強度がしきい値を超える異常な周波数成分の出現パターンを反映するようにパラメータが設定された混合確率モデルを敵対的学習の真のデータとして、真のデータに類似する疑似データを生成する生成器１２１を学習する。さらに、異常検出システムは、学習済み生成器１２１’を用いて生成された疑似データを異常信号のデータベースとして持ち、収集された実際の信号の周波数スペクトルと突合することで信号の異常を検出する。
【0021】
［異常検出装置の機能ブロック］
次に、本実施の形態に係る異常検出装置１の機能ブロックについて、図１のブロック図を参照して説明する。図１に示すように、異常検出装置１は、第１設定部１０、第２設定部１１、学習部１２、第１記憶部１３、生成部１４、第２記憶部１５、収集部１６、検出部１７、および提示部１８を備える。
次に、本実施の形態に係る異常検出装置１の機能ブロックについて、図１のブロック図を参照して説明する。図１に示すように、異常検出装置１は、第１設定部１０、第２設定部１１、学習部１２、第１記憶部１３、生成部１４、第２記憶部１５、収集部１６、検出部１７、および提示部１８を備える。
【0022】
第１設定部１０は、信号の周波数スペクトルにおける各周波数成分の強度がしきい値を超えるか否かを観測値とした混合確率モデルに対して、信号に含まれる特定の周波数成分の強度がしきい値を超える異常な周波数成分の出現パターンを表すように、観測値の集合である観測データの分布を設定する。本実施の形態では、混合確率モデルとして混合ベルヌーイ分布に従うモデルを採用する。観測値は、通信端末２で測定された信号強度などの信号に係る周波数スペクトルにおいて、各周波数成分の強度がしきい値を超えるか否かを二値データで表した値である。しきい値は、正常な強度の値と異常の発生を表す強度のピーク値とを区別することができる値が用いられる。周波数スペクトルにおいて、強度がしきい値を超える周波数成分は異常な周波数成分であり、これは信号に含まれる異常を示すものとする。
【0023】
本実施の形態において採用される混合ベルヌーイ分布は、０と１とを要素とする長さＤのベクトルが作るＮ個の観測データがあるとき、その集合をクラスタリングするモデルである。本実施の形態では、信号をフーリエ変換した周波数スペクトルの周波数軸上において強度がしきい値を超える異常な周波数成分の出現パターンを複数のクラスタとして考え、周波数軸上の複数の周波数成分の各々で、強度がしきい値を超えるか否かを０と１で表した観測値の集合を観測データとする。また、観測値は、二値分布を有する複数の異なるクラスタから発生する。
【0024】
ここで、Ｎ個の二値ベクトルである観測値ｘ１，ｘ２，…，ｘＮの集合の観測データＸが、Ｋ個のクラスタのパラメータμ１，μ２，…，μＫの集合すなわちパラメータデータセットＭをもつ混合ベルヌーイ分布に従うものとする。すなわち、観測データＸが複数のクラスタから生成されると仮定し、各クラスタには、試行が成功する確率、すなわち周波数成分の強度がしきい値を超える確率を表すパラメータμが対応付けられている。
【0025】
観測データＸとパラメータデータセットＭとは、それぞれ次式（１）、（２）のように表される（Ｔは転置記号である。）。
【数1】
【0026】
ｎ番目の二値ベクトルの観測値ｘｎとｋ番目のパラメータベクトルμｋの各々は、さらに、以下の式（３）、（４）に示すようにそれぞれがＤ個の要素をもつベクトルとして表される。
【数2】
【0027】
観測値ｘｎの要素ｘｎ（ｉ）（ｉ＝１,２,…,Ｄ）の各々は、前述したように０または１の値をとる二値変数である。本実施の形態では、要素ｘｎ（ｉ）を以下のように定義する。
【数3】
【0028】
各周波数成分で強度がしきい値を超える確率、および各周波数成分で強度がしきい値を超えない確率は、それぞれ次式（６）、（７）で表される。
【数4】
【0029】
上式（６）、（７）から、観測データＸの観測値ｘｎにクラスタｋが割り当てられたときに、観測値ｘｎは、クラスタｋのパラメータμｋをもつ、次式（８）のベルヌーイ分布に従う。
【数5】
【0030】
ここで、各クラスタ（Ｋ個）の発生頻度のパラメータデータセットπを以下のように定義する。パラメータπは、観測値ｘｎがどの程度各クラスタに配分されるのかを示すパラメータである。したがって、パラメータπｋは、観測データＸの観測値ｘｎがクラスタｋで発生する混合比率を示す。
【数6】
【0031】
また、観測値ｘｎにクラスタｋが割り当てられたときに、観測値ｘｎは、μｋをパラメータとするＤ個のベルヌーイ分布に従う。さらに、各観測値ｘｎは、次式（１０）の混合ベルヌーイ分布によって独立に生成されるものとする。
【数7】
【0032】
上式（１０）の混合ベルヌーイ分布の定義式により、各クラスタにおけるベルヌーイ分布の確率を示すパラメータμｋと、そのクラスタの混合比率πｋとを組み合わせて、全てのクラスタから、観測値ｘｎが発生する確率を求めることができる。上式（１０）は、本実施の形態における混合確率モデルであり、各周波数成分の強度がしきい値を超える確率分布を表している。
【0033】
図２の（ａ）、（ｂ）、および図３の（ａ）、（ｂ）は、第１設定部１０および第２設定部１１による観測データＸの分布の設定、およびパラメータμｋ、πｋの設定を説明するための図である。図２の（ａ）および図３の（ａ）は、図１の領域２ａに示した、信号強度などを表す時系列信号をフーリエ変換した周波数スペクトルを表す。縦軸は、強度［ｄＢ］、横軸は周波数［Ｈｚ］を示す。図２の（ｂ）および図３の（ｂ）に示すクラスタ１～Ｄは、周波数スペクトルにおける強度がしきい値を超える周波数成分およびその頻度、すなわち異常な周波数成分の出現パターンの全体を表す。クラスタの数はＤ個設けられ（Ｋ＝Ｄ）、これは、Ｄ個の周波数成分の数に対応する。また、クラスタ間の縦方向の周波数成分の番号は互いに対応している。各クラスタを構成する「１～Ｄ」の観測値は、１～Ｄ個の周波数成分の各々で、周波数成分の強度が、しきい値を超えるか否かを示す観測値ｘｎである。図２の（ｂ）の例では、各クラスタの１～Ｄの各データにおいて、強度がしきい値を超える周波数成分（図中の黒丸点）と、しきい値を超えない周波数成分（図中の黒丸点以外のデータ）とが設定されている。
【0034】
図２の（ｂ）の例では、第１設定部１０は、各クラスタに「しきい値を超える：１」観測値を１つ設定し、これ以外の観測値は「しきい値を超えない：０」。したがって、クラスタ１の周波数成分「１」の観測値、クラスタ２の周波数成分「２」の観測値、およびクラスタＤの周波数成分「Ｄ」の観測値が、「しきい値を超える：１」をとる。さらに、第１設定部１０は、「しきい値を超える：１」確率（例えば、９０％など）を設定することができる。このように、第１設定部１０は、各クラスタにおいて、どの周波数成分において強度がしきい値を超える異常な周波数成分を発生させるかを設定することができる。例えば、第１設定部１０は、既知の異常信号の周波数スペクトルに出現する特定の周波数成分のピークを表すように、特定の周波数成分でしきい値を超える観測値を設定することができる。
【0035】
第２設定部１１は、第１設定部１０によって設定された観測データＸの分布に基づいて、混合確率モデルのパラメータを設定する。第２設定部１１は、第１設定部１０により設定された各クラスタで「しきい値を超える：１」強度を有する周波数成分およびその数に基づいて、混合確率モデルのパラメータμｋ、πｋの値を設定することができる。
【0036】
また、第２設定部１１は、第１設定部１０が各クラスタの観測値ｘｎの発生確率を設定した場合には、設定された各クラスタの観測値ｘｎの発生確率を考慮した混合比率を設定し、さらにパラメータμｋ、πｋの値を調整し決定することができる。
【0037】
例えば、図２の（ｂ）に示すように、第２設定部１１は、第１設定部１０による各クラスタの観測値ｘｎの設定に基づいて、クラスタ１～Ｄの観測データＸに占める割合を均等に設定することができる。第２設定部１１は、各クラスタ１～Ｄが選ばれる確率を均等とするために、上式（９）のパラメータπ１～πＤの値を１／Ｄと設定することができる。さらにこのとき、第２設定部１１は、混合比率を表すパラメータπｋと、観測値ｘｎの発生確率を表すパラメータμｋとを相互に調整し、決定することができる。
【0038】
このように、第２設定部１１は、第１設定部１０によってクラスタごとに設定された、各周波数成分の強度の値がしきい値を超える観測値の発生確率に基づいて、各パラメータμｋ、πｋの値を調整し、上式（１０）の混合確率モデルにおいて、特定のクラスタからｘｎが発生する確率をさらに調整することができる。
【0039】
図２の（ａ）は、図２の（ｂ）のクラスタ１～Ｄによる異常な周波数成分の出現パターンを表す周波数スペクトルである。周波数成分「１」～「Ｄ」のすべての周波数成分にわたってしきい値ＴＨを超えた強度となっている。すなわち、図２の（ａ）の周波数スペクトルは、各クラスタで、１つの周波数成分の強度がしきい値ＴＨを超えるように設定され、さらに、各クラスタが均等に選ばれるように設定されたことに対応する異常な周波数成分の出現パターンである。
【0040】
一方、図３の（ｂ）においては、第１設定部１０は、クラスタ１～Ｄのうち、クラスタ２の周波数成分「２」、クラスタ４の周波数成分「４」、およびクラスタ１０の周波数成分「１０」において、しきい値ＴＨを超える観測値を設定する。また、第２設定部１１は、クラスタ１～Ｄのパラメータのうち、クラスタ２、４、１０がそれぞれ選ばれる確率を均等とするために、π２＝π４＝π１０＝１／３と設定する。クラスタ２、４、１０以外のクラスタのパラメータπｋは、０と設定される。
【0041】
このようなクラスタの設定により、図３の（ａ）に示すように、点線で示す周波数成分「２」、「４」、「１０」で、強度がしきい値ＴＨを超え、それ以外の周波数成分では、強度はしきい値ＴＨを超えない異常な周波数成分の出現パターンが得られる。
【0042】
第１設定部１０および第２設定部１１によって、各クラスタから観測値ｘｎが発生する確率および各クラスタが選ばれる確率が事前に設定された混合確率モデルは、以下の学習部１２による敵対的学習の際の真のデータとして用いられる。
【0043】
学習部１２は、第２設定部１１により設定されたパラメータμｋ、πｋを有する混合確率モデルを、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報として、真の異常情報に類似する疑似異常情報を生成する生成器１２１と、生成器１２１によって生成された疑似異常情報と真の異常情報とを識別する識別器１２２とを有する生成モデルの敵対的学習を行う。真の異常情報は、事前に設定された異常な周波数成分の出現パターンが反映された情報である。学習部１２は、混合確率モデルの１～Ｋ個のクラスタの各々について、学習済み生成器１２１’（学習済み生成器１２１’＿１，・・・，１２１’＿Ｋ）を構築することができる。本実施の形態では、Ｄ個のクラスタが設けられるため、学習済み生成器１２１’＿１，・・・，１２１’＿Ｄが構築される。
【0044】
学習部１２は、図４に示すように、生成器１２１および識別器１２２を有するＧＡＮ（Ｇｅｎｅｒａｔｉｖｅ Ａｄｖｅｒｓａｒｉａｌ Ｎｅｔｗｏｒｋ）を敵対的に学習させる。本実施の形態では、生成器１２１と識別器１２２とのペアをクラスタの数だけ（Ｋ個）設けることができる。あるいは、図４に示すように、Ｄ個の生成器１２１＿１，・・・，１２１＿Ｄに対して１つの識別器１２２を設けることができる。学習部１２の学習により、Ｄ個の学習済み生成器１２１’（学習済み生成器１２１’＿１，・・・，１２１’＿Ｄ）が構築される。
【0045】
図５および図６は、学習部１２が用いるＧＡＮの生成器１２１および識別器１２２のニューラルネットワーク構成を模式的に表した図である。図５に示すように、生成器１２１は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。なお、Ｄ個の生成器１２１＿１，・・・，１２１＿Ｄはそれぞれ同じネットワーク構造を有し、以下では生成器１２１と総称して説明する。生成器１２１は、ランダムな雑音から疑似異常情報を生成するモデルである。生成器１２１の入力ノードには、例えば、ガウス雑音のベクトルがランダムにｍ個サンプルされて入力される（ｚ１～ｚｍ）。
【0046】
生成器１２１は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て出力Ｇ（ｚ）を出力する。生成器１２１からの出力Ｇ（ｚ）は、第２設定部１１が設定したパラメータμｋ、πｋを有する混合確率モデルにより得られる観測データＸに類似するデータである。より具体的には、生成器１２１は、設定されたパラメータμｋ、πｋを有する混合確率モデルにより得られる各クラスタの観測値ｘｎに類似するデータを生成する。図５の各出力Ｇ（ｚ１）～Ｇ（ｚＤ）は、各クラスタの観測値ｘｎの各々に対応する。生成器１２１を構成するニューラルネットワークとしてＣＮＮやＲｅｓＮｅｔを用いることができる。
【0047】
図６に示す識別器１２２は、入力層、隠れ層、および出力層を有するニューラルネットワークで構成される。図６の例では、訓練データの入力として、第２設定部１１により設定されたパラメータμｋ、πｋを有する混合確率モデルによって得られる、各クラスタの観測値ｘｎが与えられる。
【0048】
識別器１２２は、入力と重みパラメータの積和演算および活性化関数によるしきい値処理を経て、１または０の二値出力を出す。識別器１２２は、入力された真の異常情報に係る訓練データを正しく真の異常情報であると識別すると出力ｙ＝１を出力する。一方、入力された疑似異常情報に係る訓練データを正しく疑似異常情報であると識別すると出力ｙ＝０を出力する。このように、識別器１２２は、生成器１２１が生成したモデル分布を真の分布である訓練データのデータ分布から区別するモデルである。識別器１２２を構成するニューラルネットワークとしてＣＮＮを用いることができる。
【0049】
図４は、学習部１２によるＧＡＮの敵対的学習を説明するためのブロック図である。学習部１２が採用するＧＡＮの生成器１２１を関数Ｇ、識別器１２２を関数Ｄと表す。また、真の異常情報をｘ、識別器１２２による出力である予測値はｙと表し、正解ラベルをｔと表す。正解ラベルｔは、真の異常情報に対して１、生成器１２１で生成された疑似異常情報に対して０と設定される。このとき、識別器１２２は、二値分類問題として次式（１１）の交差エントロピーＥＣＥで表すことができる。
【0050】
【数8】
【0051】
上式（１１）のブレース内の第１項が表すｔｎｌｎｙｎにおいて、識別器１２２の予測値ｙｎが、真の異常情報の正解ラベルｔｎ＝１の値に近づくことが望ましい。一方、ブレース内の第２項が表す（１－ｔｎ）ｌｎ（１－ｙｎ）においては、識別器１２２の予測値ｙｎが、疑似異常情報と識別する正解ラベルの値（１－ｔｎ）＝０に近づくことが望ましい。このように交差エントロピーＥＣＥは、予測値が正解ラベルの値に一致している場合に最大値となる。
【0052】
ここで、ＧＡＮを構成する生成器１２１は、パラメータｗＧ，θＧを有し、関数Ｇ（ｗＧ，θＧ）と表す。また、識別器１２２は、パラメータｗＤ，θＤを有し、関数Ｄ（ｗＤ，θＤ）と表す。上式（１１）の交差エントロピーＥＣＥに基づいた生成器１２１と識別器１２２とを備えるＧＡＮの目的関数Ｅは、次式（１２）で表すことができる。
【数9】
【0053】
上式（１２）の第１項が表すＥＤ（ｘ）＝１ｌｎＤ（ｗＤ，θＤ）は、識別器１２２が真の異常情報を真の異常情報であると識別する期待値である。上式（１２）の第２項が表すＥＤ（ｘ）＝０ｌｎ（１－Ｄ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ））は、生成器１２１により生成された疑似異常情報を識別器１２２が疑似異常情報であると識別する期待値である。ＧＡＮの学習では、目的関数Ｅのｍｉｎ－ｍａｘ最適化により、生成器１２１と識別器１２２とを敵対的に学習する。したがって、識別器１２２をだますような疑似異常情報を生成できるように生成器１２１を学習し、生成器１２１が生成した疑似異常情報を疑似異常情報であると識別するように識別器１２２を学習する。
【0054】
識別器１２２の学習では、真の異常情報が与えられた場合に、識別器１２２がｙ＝１に近い出力を出すことで、上式（１２）の目的関数Ｅの第１項を最大化する。一方、疑似異常情報が与えられた場合に、識別器１２２がｙ＝０に近い出力を出すことで目的関数Ｅの第２項を最大化するように学習が行われる。
【0055】
生成器１２１の学習では、上式（１２）のＤ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ）（図４のＤ（Ｇ（ｚ）））が１に近くなるようなＧ（ｗＧ，θＧ）（図４のＧ（ｚ））を出力することで、目的関数Ｅを最小化する。学習部１２は、生成器１２１のパラメータと識別器１２２のパラメータとを交互に更新する学習手順を用いる。なお、学習部１２による生成器１２１および識別器１２２の学習手順の詳細は後述する。
【0056】
第１記憶部１３は、学習部１２によってＧＡＮの目的関数Ｅが最適化された学習済み生成器１２１’を記憶する。より詳細には、第１記憶部１３は、クラスタ１～Ｄに対応するＤ個の学習済み生成器１２１’（学習済み生成器１２１’＿１，・・・，１２１’＿Ｄ）を記憶する。また、第１記憶部１３は、パラメータμｋ、πｋが設定された上式（１０）の混合確率モデルである真の異常情報を記憶する。
【0057】
生成部１４は、学習部１２によって構築された学習済み生成器１２１’を用いて疑似異常情報を生成する。より詳細には、生成部１４は、クラスタ１～Ｄ（Ｋ＝Ｄ）に対応するＤ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｄのそれぞれの演算を行って、疑似異常情報を生成する。学習済み生成器１２１’で生成される疑似異常情報は、ＧＡＮが、真の異常情報の特徴を教師なしの学習により自ら学んだ結果、生成された真の異常情報の特徴に沿った異なる異常情報である。
【0058】
第２記憶部１５は、生成部１４によって生成された疑似異常情報を記憶する。第２記憶部１５が記憶する疑似異常情報は、信号に含まれる異常な周波数成分の出現パターン、つまり、異常信号のデータベースである。
【0059】
収集部１６は、通信端末２で測定された信号を収集する。例えば、収集部１６は、ネットワークＮＷを介して、通信端末２で測定された信号強度の時系列データを収集することができる。あるいは、収集部１６は、通信端末２から直接、信号強度の時系列データを収集してもよい。また、収集部１６は、収集した信号をフーリエ変換して、周波数スペクトルを得る。
【0060】
検出部１７は、生成部１４によって生成された疑似異常情報に基づいて、信号の異常を検出する。検出部１７は、生成部１４によって生成された疑似異常情報が示す、異常な周波数成分を含む周波数スペクトルと、収集部１６によって収集された信号の周波数スペクトルとが一致する場合に、信号の異常を検出することができる。
【0061】
より詳細には、検出部１７は、収集部１６によって収集された信号強度の時系列データの周波数スペクトルを、上式（５）に対応する周波数成分ごとの強度の二値データに変換する。具体的には、検出部１７は、強度のしきい値に基づいて、収集された信号の周波数スペクトルの各周波数成分の強度を、「しきい値を超える：１」および「しきい値を超えない：０」の二値表現に変換する。
【0062】
検出部１７は、疑似異常情報が示す、各周波数成分の強度がしきい値を超える確率に基づく上式（５）に応じた周波数成分ごとの強度の二値データと、収集された信号の周波数スペクトルの周波数成分の強度の二値データとが一致する場合に、信号の異常を検出することができる。また、検出部１７は、収集された信号の周波数スペクトルの周波数成分ごとの強度の二値データと、疑似異常情報が示す信号の周波数スペクトルの周波数成分ごとの強度の二値データとを逐次比較し、１つ目の周波数成分から順に一致を確認することができる。例えば、信号の特性や異常の種類などに応じて、図３の（ａ）に示すように、異常な周波数成分のピーク値が全て一致するまでもなく、二値データの周波数成分の強度の一部が一致する場合に、信号の異常を検出する構成としてもよい。
【0063】
提示部１８は、検出部１７による信号の異常の検出結果を提示する。例えば、提示部１８は、ネットワークＮＷを介して、図示されない外部の通信品質管理サーバ等に対して、通信端末２において信号強度の異常が発生し、かつ、異常が発生している周波数成分に関する情報を通知することができる。
【0064】
［異常検出装置のハードウェア構成］
次に、上述した機能を有する異常検出装置１を実現するハードウェア構成の一例について、図７を用いて説明する。
次に、上述した機能を有する異常検出装置１を実現するハードウェア構成の一例について、図７を用いて説明する。
【0065】
図７に示すように、異常検出装置１は、例えば、バス１０１を介して接続されるプロセッサ１０２、主記憶装置１０３、通信インターフェース１０４、補助記憶装置１０５、入出力Ｉ／Ｏ１０６を備えるコンピュータと、これらのハードウェア資源を制御するプログラムによって実現することができる。さらに、異常検出装置１は、表示装置１０７を備える。
【0066】
プロセッサ１０２は、ＣＰＵ、ＧＰＵ、ＦＰＧＡ、ＡＳＩＣなどによって実現される。
【0067】
主記憶装置１０３には、プロセッサ１０２が各種制御や演算を行うためのプログラムが予め格納されている。プロセッサ１０２と主記憶装置１０３とによって、図１に示した第１設定部１０、第２設定部１１、学習部１２、生成部１４、収集部１６、検出部１７、および提示部１８など異常検出装置１の各機能が実現される。
【0068】
通信インターフェース１０４は、異常検出装置１と各種外部電子機器との間をネットワーク接続するためのインターフェース回路である。
【0069】
補助記憶装置１０５は、読み書き可能な記憶媒体と、その記憶媒体に対してプログラムやデータなどの各種情報を読み書きするための駆動装置とで構成されている。補助記憶装置１０５には、記憶媒体としてハードディスクやフラッシュメモリなどの半導体メモリを使用することができる。
【0070】
補助記憶装置１０５は、信号の異常を検出する異常検出プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、混合ベルヌーイ分布に係る混合確率モデルの演算を行う混合確率モデル演算プログラムを格納するプログラム格納領域を有する。また、補助記憶装置１０５は、異常検出装置１が実行するＧＡＮの敵対的学習を行うための学習プログラムを格納するプログラム格納領域を有する。補助記憶装置１０５によって、図１で説明した第１記憶部１３および第２記憶部１５が実現される。さらには、例えば、上述したデータやプログラムなどをバックアップするためのバックアップ領域などを有していてもよい。
【0071】
入出力Ｉ／Ｏ１０６は、外部機器からの信号を入力したり、外部機器へ信号を出力したりする入出力装置である。
【0072】
表示装置１０７は、有機ＥＬディスプレイや液晶ディスプレイなどによって構成される。表示装置１０７によって提示部１８を実現することができる。
【0073】
【0074】
図８に示すように、まず、第１設定部１０は、混合確率モデルにおいて観測データＸの分布を設定する（ステップＳ１）。具体的には、第１設定部１０は、信号に含まれる特定の周波数成分の強度がしきい値を超える、異常な周波数成分の出現パターンを表すように、クラスタごとに観測値ｘｎを設定する。なお、図２および図３で説明したように、クラスタの数は観測値の数、すなわち周波数成分の数（Ｋ＝Ｄ）とする。
【0075】
次に、第２設定部１１は、ステップＳ１で設定された観測データＸの分布となるように混合確率モデルのパラメータμｋ、πｋを設定する（ステップＳ２）。具体的には、第２設定部１１は、上式（１０）の混合確率モデルに、クラスタごとに設定された観測値ｘｎを有する観測データＸを与えた際の、パラメータμｋ、πｋを調整して決定する。例えば、第２設定部１１は、ステップＳ１で設定されたクラスタごとの観測値ｘｎの発生確率を考慮して、各クラスタの選ばれやすさを示す混合比率のパラメータπｋを設定し、さらにパラメータμｋ、πｋの値を相互に調整し決定することができる。パラメータμｋ、πｋが設定された混合確率モデルは、真の異常情報として第１記憶部１３に記憶される。
【0076】
続いて、学習部１２は、学習処理を行う（ステップＳ３）。具体的には、学習部１２は、ステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルを、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報として、真の異常情報に類似する疑似異常情報を生成する生成器１２１と、生成器１２１によって生成された疑似異常情報と真の異常情報とを識別する識別器１２２とを有するＧＡＮの敵対的学習を行う。学習処理によって、クラスタ１～Ｄのそれぞれに対応するＤ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｄが構築され、第１記憶部１３に記憶される。なお、ステップＳ３での学習処理の詳細は後述する。
【0077】
次に、生成部１４は、ステップＳ３で学習部１２によって構築された学習済み生成器１２１’を用いて疑似異常情報を生成する（ステップＳ４）。より詳細には、生成部１４は、ステップＳ４において、クラスタ１～Ｄに対応するＤ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｄのそれぞれの演算を行って、疑似異常情報を生成する。その後、第２記憶部１５は、ステップＳ４で生成された疑似異常情報を記憶する（ステップＳ５）。
【0078】
次に、収集部１６は、通信端末２で測定された信号を収集する（ステップＳ６）。例えば、収集部１６は、ネットワークＮＷを介して、通信端末２が測定した信号強度の時系列データを収集することができる。次に、収集部１６は、収集された信号をフーリエ変換して周波数スペクトルを得る（ステップＳ７）。続いて、検出部１７は、ステップＳ６で収集され、ステップＳ７で変換して得られた信号の周波数スペクトルを、上式（５）に対応する周波数成分ごとの二値データに変換する（ステップＳ８）。ステップＳ８では、設定されたしきい値に基づいて、周波数成分ごとの強度を、「しきい値を超える：１」および「しきい値を超えない：０」の二値データに変換する。
【0079】
続いて、検出部１７は、ステップＳ５で第２記憶部１５に記憶された疑似異常情報に基づいて、通信端末２で測定された信号の異常を検出する（ステップＳ９）。検出部１７は、生成部１４によって生成された疑似異常情報が示す、異常な周波数成分を含む周波数スペクトルの周波数成分ごとの強度の二値データと、ステップＳ６で収集部１６によって収集され、さらにステップＳ７およびステップＳ８でそれぞれ変換された信号の周波数スペクトルの周波数成分ごとの強度の二値データとが一致する場合に、信号の異常を検出することができる。ステップＳ９において検出部１７は、疑似異常情報が示す、異常な周波数成分のピーク値が出現するよりも前の周波数成分の時点で、周波数スペクトルの強度の二値データが一致する場合に、信号の異常を予測することができる。
【0080】
その後、提示部１８は、ステップＳ９で検出部１７によって検出された信号の異常についての検出結果を提示する（ステップＳ１０）。例えば、ステップＳ１０では、提示部１８は、ネットワークＮＷを介して、外部の通信品質管理サーバ等に対して、通信端末２の信号強度に異常が発生していること、および異常に係る周波数成分を通知することができる。
【0081】
次に、図９を参照し、図８で説明した異常検出装置１の学習部１２による学習処理（ステップＳ３）を説明する。図９に示す学習処理の例では、学習部１２は、１～Ｄ個のクラスタごとの真の異常情報を繰り返し学習する。まず、学習部１２は、真の異常情報を訓練データ１２４として識別器１２２に入力し、真の異常情報を真の異常情報（ｙ＝１）と識別するように、識別器１２２のパラメータｗＤ，θＤを学習し、更新する（ステップＳ２０）。
【0082】
図４の学習部１２のブロック図に示すように、図８のステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルは、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報であり、識別器１２２を学習する際の訓練データ１２４として用いられる。ステップＳ２０では、まず、真の異常情報として、クラスタ１～クラスタＤのうち、クラスタ１の１～Ｄ個の観測値ｘｎを訓練データ１２４として用いる。真の異常情報は、事前に第１記憶部１３に記憶されている。
【0083】
ステップＳ２０において、学習部１２は、例えば、誤差逆伝搬法などを用いて識別器１２２に真の異常情報を学習させることができる。ステップＳ２０により、クラスタ１の真の異常情報を真の異常情報と識別することができる識別器１２２が事前に構築される。
【0084】
次に、学習部１２は、ガウス雑音を発生し、発生したガウス雑音のランダムなベクトルを生成器１２１に入力として与える（ステップＳ２１）。続いて、生成器１２１は、与えられたガウス雑音に基づいて、入力ｚと重みパラメータｗＧ，θＧの積和演算および活性化関数によるしきい値処理を行い、疑似異常情報Ｇ（ｚ）を生成する（ステップＳ２２）。ステップＳ２２では、図４に示すように、学習部１２は、Ｄ個の生成器１２１＿１，・・・，１２１＿Ｄの各々で生成された１～Ｄ個の出力を合成して（図４に示す点ａ）、１つの疑似異常情報Ｇ（ｚ）を生成する。
【0085】
次に、学習部１２は識別器１２２の学習を行う。識別器１２２の学習は、生成器１２１のパラメータｗＤ，θＤを固定して行われる。まず、学習部１２は、図８のステップＳ２で設定されたパラメータμｋ、πｋを有する混合確率モデルである、真の異常情報を訓練データ１２４として識別器１２２に入力として与える。そして、学習部１２は、上式（１２）の目的関数Ｅが最大となるように、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ２３）。なお、訓練データ１２４のラベルは１（真の異常情報）が設定されている。ステップＳ２３では、まず、学習部１２は、Ｄ個のクラスタ１～クラスタＤのうちのクラスタ１の１～Ｄ個の観測値ｘｎを真の異常情報として用いて、識別器１２２を学習する。
【0086】
次に、学習部１２は、ステップＳ２２で生成器１２１によって生成された疑似異常情報を識別器１２２に入力として与え、上式（１２）の目的関数Ｅが最大となるように、誤差逆伝搬法などによりパラメータｗＤ，θＤを更新する（ステップＳ２４）。すなわち、ステップＳ２３およびステップＳ２４では、上式（１２）の目的関数Ｅを最大にするために、第１項はＤ（ｗＤ，θＤ）＝１が出力され、第２項はＤ（Ｇ（ｗＧ，θＧ），ｗＤ，θＤ）＝０となるように最適化が行われる。なお、訓練データ１２４には、ラベルは０（疑似異常情報）が設定されている。ステップＳ２４では、Ｄ個の生成器１２１＿１，・・・，１２１＿Ｄの各々で生成され、合成された１つの疑似異常情報Ｇ（ｚ）を用いて、識別器１２２を学習する。
【0087】
ステップＳ２３およびステップＳ２４での識別器１２２の学習は、図４に示す学習部１２のブロック図において、識別器１２２からの出力１２３に基づいて、目的関数Ｅのブロック１２５で識別器誤差が算出され、その後、識別器１２２へ誤差逆伝搬されることを示す破線の矢印に対応する。
【0088】
次に、学習部１２は生成器１２１（生成器１２１＿１，・・・，１２１＿Ｄ）の学習を行う。生成器１２１の学習では、識別器１２２のパラメータが固定されて行われる。学習部１２は、ランダムなガウス雑音を生成器１２１に与えた際に疑似異常情報が生成されるように生成器１２１を学習する。具体的には、学習部１２は、上式（１２）の目的関数Ｅを最小とするために、誤差逆伝搬法などによりパラメータｗＧ，θＧを更新する（ステップＳ２５）。
【0089】
ステップＳ２５での学習は、図４の学習部１２のブロック図において、生成器１２１へ誤差逆伝搬されることを示す破線の矢印のフローに対応する。すなわち、ステップＳ２５は、図４の生成器１２１で生成された疑似異常情報が識別器１２２に入力され、その出力１２３から目的関数Ｅのブロック１２５で生成器誤差が算出され、さらには、生成器１２１へ誤差逆伝搬される破線矢印のフローに対応する。
【0090】
その後、目的関数Ｅの値がナッシュ均衡に到達して収束するまで（ステップＳ２６：ＮＯ）、ステップＳ２２からステップＳ２５までの識別器１２２および生成器１２１（生成器１２１＿１～生成器１２１＿Ｄ）の学習が繰り返し行われる。一方、目的関数Ｅの値が収束した場合（ステップＳ２６：ＹＥＳ）、クラスタ１～クラスタＤまでのすべての真の異常情報のうち、クラスタ２～クラスタＤまでの残りの真の異常情報を順番に用いて、Ｄ個の生成器１２１＿１，・・・，１２１＿Ｄ、および識別器１２２の学習が行われるまで（ステップＳ２７：ＮＯ）、ステップＳ２０からステップＳ２６までの処理が繰り返される。
【0091】
その後、クラスタ２～クラスタＤまでの残りのＤ－１個のクラスタの真の異常情報を用いて生成器１２１（生成器１２１＿１～生成器１２１＿Ｄ）および識別器１２２の学習が行われた場合（ステップＳ２７：ＹＥＳ）、学習部１２は、１～Ｄ個の学習済み生成器１２１’＿１，・・・，１２１’＿Ｄを第１記憶部１３に記憶する（ステップＳ２８）。以上のステップＳ２０からステップＳ２８までの処理によって学習済み生成器１２１’が構築される。さらにその後、処理は、図８のステップＳ４に移行する。
【0092】
以上説明したように、本実施の形態に係る異常検出装置１によれば、信号の周波数スペクトルのパターンを混合ベルヌーイ分布によりモデル化し、特定の周波数成分の強度がしきい値を超える異常な周波数成分の出現パターンを表すように設定した観測データＸの分布となるようにパラメータμｋ、πｋを設定した混合確率モデルをＧＡＮの敵対的学習での真のデータとして用いる。さらに、敵対的学習により構築された学習済み生成器１２１’によって生成された疑似異常情報を、強度がしきい値を超える異常な周波数成分を有する異常信号としてデータベース化し、収集された実際の信号の周波数スペクトルが、データベースの異常な周波数成分を有する周波数スペクトルに一致する場合、信号の異常を検出する。そのため、大量の異常信号の測定データを用いることなく、信号の異常を検出することができる。
【0093】
また、本実施の形態に係る異常検出装置１によれば、信号の周波数スペクトルにおいて、強度がしきい値を超える異常な周波数成分の出現パターンが反映されたパラメータμｋ、πｋが設定された混合確率モデルを、ＧＡＮの敵対的学習での真のデータである真の異常情報として用い、真の異常情報に類似する疑似異常情報、すなわち、真の異常情報とは必ずしも一致しない疑似異常情報を生成する生成器１２１を学習する。そのため、ＧＡＮの敵対的学習を行うことにより、混合ベルヌーイ分布に従う混合確率モデルの潜在変数の学習を行うことができる。
【0094】
また、本実施の形態に係る異常検出装置１によれば、周波数スペクトルの周波数成分ごとの強度がしきい値を超えるか否かを混合ベルヌーイ分布の各クラスタの観測値とするので、様々な異常の発生パターンに対応するように特定の周波数成分でのピークの発生やその回数などをクラスタごとに指定することができる。そのため、各信号に特有の周波数領域における異常の発生パターンを詳細に設定し、より効果的な信号の異常の検出が可能となる。
【0095】
また、本実施の形態に係る異常検出装置１によれば、学習済み生成器１２１’によって生成された疑似異常情報が示す周波数スペクトルの周波数成分ごとの強度と、実際に測定された信号の周波数スペクトルの周波数成分ごとの強度との比較を行うため、スペクトルの一部が一致する場合に、信号の異常を予測することが可能となる。
【0096】
なお、説明した実施の形態では、第１設定部１０が、各クラスタの１～Ｄ個の観測値において、強度が「しきい値を超える：１」周波数成分、あるいは強度が「しきい値を超えない：０」周波数成分を設定し、さらには各観測値の発生確率を設定する場合について説明した。また、第２設定部１１が、第１設定部１０による設定に基づいて混合比率のパラメータπｋを設定し、さらに、観測値の発生確率を示すパラメータμｋと混合比率のパラメータπｋとを相互に調整し、パラメータμｋ、πｋを決定する場合について説明した。しかし、第１設定部１０は、観測データＸにおいて、各クラスタの１～Ｄ個の観測値の具体的な二値の値を設定し、第２設定部１１が、各観測値の発生確率を設定し、パラメータμｋ、πｋを相互に調整する構成としてもよい。
【0097】
また、説明した実施の形態では、通信端末２が測定する信号は信号強度の時系列データである場合を例示した。しかし、異常検出の対象となる時系列信号は、周波数解析が可能な信号であれば信号強度に限定されない。例えば、通信端末２は、生体センサを備え、ユーザの心拍、血圧、体温などの生体信号の時系列データを測定する構成であってもよい。あるいは、通信端末２は、振動センサ、音センサ、圧力センサなどの各種センサを備え、振動や音、圧力などの物理量の時系列データを測定することができる。
【0098】
また、説明した実施の形態では、通信端末２はスマートフォンなどのＳＩＭを備える端末、およびＩＰアドレスを持つＩｏＴ端末である場合を例示した。しかし、通信端末２は、測定した信号の時系列データを異常検出装置１に入力することができれば、通信機能を持たない従来型のデバイスであってもよい。
【0099】
以上、本発明の異常検出装置、および異常検出方法における実施の形態について説明したが、本発明は説明した実施の形態に限定されるものではなく、請求項に記載した発明の範囲において当業者が想定し得る各種の変形を行うことが可能である。
【符号の説明】
【0100】
１…異常検出装置、２…通信端末、１０…第１設定部、１１…第２設定部、１２…学習部、１３…第１記憶部、１４…生成部、１５…第２記憶部、１６…収集部、１７…検出部、１８…提示部、１０１…バス、１０２…プロセッサ、１０３…主記憶装置、１０４…通信インターフェース、１０５…補助記憶装置、１０６…入出力Ｉ／Ｏ、１０７…表示装置、１２１…生成器、１２１’…学習済み生成器、１２２…識別器、１２３…出力、１２４…訓練データ、１２５…目的関数Ｅのブロック、ＮＷ…ネットワーク。
【要約】
【課題】大量の異常信号の測定データを用いることなく、信号の異常を検出することを目的とする。
【解決手段】
異常検出装置１は、設定されたパラメータを有する混合確率モデルを、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報として、真の異常情報に類似する疑似異常情報を生成する生成器１２１と、生成器１２１によって生成された疑似異常情報と真の異常情報とを識別する識別器１２２とを有する生成モデルの敵対的学習を行う学習部１２と、学習部１２によって構築された学習済み生成器１２１’を用いて疑似異常情報を生成する生成部１４と、生成部１４によって生成された疑似異常情報に基づいて、信号の異常を検出する検出部１７とを備える。
【選択図】図１
【解決手段】
異常検出装置１は、設定されたパラメータを有する混合確率モデルを、信号に含まれる異常な周波数成分の出現パターンを表す真の異常情報として、真の異常情報に類似する疑似異常情報を生成する生成器１２１と、生成器１２１によって生成された疑似異常情報と真の異常情報とを識別する識別器１２２とを有する生成モデルの敵対的学習を行う学習部１２と、学習部１２によって構築された学習済み生成器１２１’を用いて疑似異常情報を生成する生成部１４と、生成部１４によって生成された疑似異常情報に基づいて、信号の異常を検出する検出部１７とを備える。
【選択図】図１
【図1】
【図2】
【図3】
【図4】
【図5】
【図6】
【図7】
【図8】
【図9】
