特許 7647934 検出方法、検出装置、及びプログラム

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】特許公報(B2)

(11)【特許番号】

(24)【登録日】2025-03-10

(45)【発行日】2025-03-18

(54)【発明の名称】検出方法、検出装置、及びプログラム

(51)【国際特許分類】

   G06N 20/00 20190101AFI20250311BHJP

【ＦＩ】

G06N20/00

【請求項の数】 7

(21)【出願番号】P 2023567442

(86)(22)【出願日】2021-12-16

(86)【国際出願番号】 JP2021046559

(87)【国際公開番号】W WO2023112264

(87)【国際公開日】2023-06-22

【審査請求日】2024-04-25

(73)【特許権者】

【識別番号】000004226

【氏名又は名称】日本電信電話株式会社

(74)【代理人】

【識別番号】110004381

【氏名又は名称】弁理士法人ＩＴＯＨ

(74)【代理人】

【識別番号】100107766

【弁理士】

【氏名又は名称】伊東 忠重

(74)【代理人】

【識別番号】100070150

【弁理士】

【氏名又は名称】伊東 忠彦

(74)【代理人】

【識別番号】100124844

【弁理士】

【氏名又は名称】石原 隆治

(72)【発明者】

【氏名】岩田 具治

【審査官】千葉 久博

(56)【参考文献】

【文献】中国特許出願公開第１１３６４２６７１（ＣＮ，Ａ）

【文献】REN Jie, et al.，Likelihood Ratios for Out-of-Distribution Detection，In: Proceedings of the 33rd Conference on Neural Information Processing Systems (NeurIPS 2019)，[online]，2019年，Pages 1-12，[retrieved on 2022.03.04], Retrieved from the Internet: <URL: https://proceedings.neurips.cc/paper/2019/hash/1e79596878b2320cac26dd792a6c51c9-Abstract.html>.

(58)【調査した分野】(Int.Cl.，ＤＢ名)

Ｇ０６Ｎ ２０／００

(57)【特許請求の範囲】

【請求項1】

目的とするタスクである目的タスクを含む複数のタスクの学習データで構成される第１の学習データ集合を用いて、前記複数のタスクで共通の機械学習モデルである共通モデルを学習するメタ学習手順と、
学習済みの前記共通モデルと、前記目的タスクの学習データで構成される第２の学習データ集合と、前記目的タスクの機械学習モデルである目的タスク特化モデルとを用いて、与えられたデータが分布外データであるか否かを判定する判定手順と、
をコンピュータが実行し、
前記判定手順は、
前記データの分布外スコアを計算し、前記分布外スコアが所定の閾値以上である場合は前記データを分布外データであると判定し、前記分布外スコアが前記閾値未満である場合は前記データを分布外データでないと判定する、検出方法。

【請求項2】

前記検出方法には、
前記複数のタスクに含まれる各タスクの学習データを用いて、前記タスクの機械学習モデルであるタスク特化モデルを学習する適合手順が含まれ、
前記メタ学習手順は、
前記複数のタスクから選択した一のタスクの１以上の第１のデータと、前記一のタスク以外のタスクの１以上の第２のデータと、前記一のタスクの学習済みの前記タスク特化モデルとを用いて、前記１以上の第１のデータ及び前記１以上の第２のデータの各々に対する前記分布外スコアを計算し、
前記分布外スコアによる前記分布外データの検出性能が向上するように、前記共通モデルを学習する、請求項１に記載の検出方法。

【請求項3】

前記分布外スコアは、潜在空間における負の対数尤度であり、
前記メタ学習手順は、
前記分布外データの検出性能の評価尺度としてＡＵＣの期待値を計算し、
前記ＡＵＣの期待値を最大化するように、前記共通モデルを学習する、請求項２に記載の検出方法。

【請求項4】

前記タスク特化モデルは所定の密度分布モデルであり、
前記適合手順は、
最尤推定により前記タスク特化モデルのパラメータを推定することで、前記タスク特化モデルを学習する、請求項３に記載の検出方法。

【請求項5】

前記適合手順は、
前記第２の学習データ集合を用いて、前記目的タスク特化モデルを学習し、
前記判定手順は、
学習済みの前記目的タスク特化モデルと与えられたデータとを用いて、前記データの前記分布外スコアを計算し、
前記分布外スコアが前記閾値以上である場合、前記データを分布外データであると判定する、請求項２乃至４の何れか一項に記載の検出方法。

【請求項6】

目的とするタスクである目的タスクを含む複数のタスクの学習データで構成される第１の学習データ集合を用いて、前記複数のタスクで共通の機械学習モデルである共通モデルを学習するように構成されているメタ学習部と、
学習済みの前記共通モデルと、前記目的タスクの学習データで構成される第２の学習データ集合と、前記目的タスクの機械学習モデルである目的タスク特化モデルとを用いて、与えられたデータが分布外データであるか否かを判定するように構成されている判定部と、
を有し、
前記判定部は、
前記データの分布外スコアを計算し、前記分布外スコアが所定の閾値以上である場合は前記データを分布外データであると判定し、前記分布外スコアが前記閾値未満である場合は前記データを分布外データでないと判定する、検出装置。

【請求項7】

コンピュータに、請求項１乃至５の何れか一項に記載の検出方法を実行させるプログラム。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、検出方法、検出装置、及びプログラムに関する。

【背景技術】

【0002】

機械学習モデルによりクラスの予測（又はクラスの分類）を行う場合、学習データにないクラスのデータに関する予測は大きく間違えることが多い。このため、学習データにないクラスのデータを検出する手法である分布外データ検出手法（例えば、非特許文献１）は重要である。分布外データ検出手法により、大きく間違える可能性があるデータを検出し、そのデータを別途処理することが可能になる。これ以外にも、分布外データ検出手法では、異常なデータを検出したり、収集したデータの品質を確認したりすることも可能である。

【先行技術文献】

【非特許文献】

【0003】

【文献】Liang, Shiyu, Yixuan Li, and R. Srikant. "Enhancing The Reliability of Out-of-distribution Image Detection in Neural Networks." International Conference on Learning Representations. 2018.

【発明の概要】

【発明が解決しようとする課題】

【0004】

しかしながら、従来の分布外データ検出手法では、大量の学習データが必要であるという問題がある。

【0005】

本発明の一実施形態は、上記の点に鑑みてなされたもので、分布外データを高精度に検出することを目的とする。

【課題を解決するための手段】

【0006】

上記目的を達成するため、一実施形態に係る検出方法は、目的とするタスクである目的タスクを含む複数のタスクの学習データで構成される第１の学習データ集合を用いて、前記複数のタスクで共通の機械学習モデルである共通モデルを学習するメタ学習手順と、学習済みの前記共通モデルと、前記目的タスクの学習データで構成される第２の学習データ集合と、前記目的タスクの機械学習モデルである目的タスク特化モデルとを用いて、前記第２の学習データ集合に含まれる学習データには付与されていないラベルのデータを分布外データとして検出する検出手順と、をコンピュータが実行する。

【発明の効果】

【0007】

分布外データを高精度に検出することができる。

【図面の簡単な説明】

【0008】

【図1】本実施形態に係る検出装置のハードウェア構成の一例を示す図である。

【図2】本実施形態に係る検出装置の機能構成の一例を示す図である。

【図3】本実施形態に係るメタ学習処理の一例を示すフローチャートである。

【図4】本実施形態に係る検出処理の一例を示すフローチャートである。

【発明を実施するための形態】

【0009】

以下、本発明の一実施形態について説明する。本実施形態では、目的のタスク（以下、目的タスクともいう。）の学習データが少量しかない場合であっても、目的タスクにおける分布外データを高精度に検出することができる検出装置１０について説明する。ここで、学習データとは、事例の特徴量と、その特徴量がどのクラスに属するかを表すラベルとの組で表されるデータのことである。

【0010】

本実施形態に係る検出装置１０には、目的タスクを含む複数のタスクの学習データを用いてメタ学習を行うメタ学習時と、目的タスクのデータ（特徴量）が与えられた場合にその特徴量が分布外データであるか否かを判定する検出時とが存在する。

【0011】

メタ学習時には、各タスクのモデル（以下、タスク特化モデルともいう。）と、各タスクで共通のモデル（以下、共通モデルともいう。）と、メタ学習用の学習データ集合

【0012】

【数1】

とが検出装置１０に与えられるものとする。ここで、Ｔはタスク数、Ｎ_ｔはｔ番目のタスクの学習データ数（言い換えれば、ｔ番目のタスクのラベル付き事例数）、ｘ_ｔｎはｔ番目のタスクのｎ番目の事例の特徴量を表す。また、

【0013】

【数2】

はｘ_ｔｎのラベル（クラスラベル）、ｃ_ｔｋはｔ番目のタスクのｋ番目のクラス、Ｋ_ｔはｔ番目のタスクのクラス数を表す。なお、以下では、Ｄ_ｔ＝｛（ｘ_ｔｎ，ｙ_ｔｎ）｜ｎ＝１，・・・，Ｎ_ｔ｝と表記する。また、ｔ番目のタスクを「タスクｔ」、ｎ番目の事例を「事例ｎ」、ｋ番目のクラスを「クラスｋ」等とも表記する。

【0014】

検出時には、メタ学習時に学習した共通モデルと、目的タスクｔ'のタスク特化モデルと、目的タスクｔ'の学習データ集合Ｄ_ｔ'＝｛（ｘ_ｔ'ｎ，ｙ_ｔ'ｎ）｜ｎ＝１，・・・，Ｎ_ｔ'｝と、分布外データであるか否かの判定対象となる特徴量ｘ（又は、そのような判定対象の特徴量の集合｛ｘ_ｎ｜ｎ＝１，・・・，Ｎ｝、ただし、Ｎは特徴量数）とが与えられるものとする。ここで、目的タスクｔ'の学習データ集合Ｄ_ｔ'に含まれる学習データ数Ｎ_ｔ'は、比較的少量（すなわち、従来の分布外データ検出手法で必要な学習データ数よりも少量）であることを想定する。

【0015】

なお、各タスク特化モデル（機械学習モデル）としては、そのタスクに応じて任意のモデルが与えられるが、以下では一例として任意の密度分布モデルで与えられることを想定する。

【0016】

＜検出装置１０のハードウェア構成＞
本実施形態に係る検出装置１０のハードウェア構成例を図１に示す。図１に示すように、本実施形態に係る検出装置１０は、入力装置１０１と、表示装置１０２と、外部Ｉ／Ｆ１０３と、通信Ｉ／Ｆ１０４と、ＲＡＭ（Random Access Memory）１０５と、ＲＯＭ（Read Only Memory）１０６と、補助記憶装置１０７と、プロセッサ１０８とを有する。これらの各ハードウェアは、それぞれがバス１０９を介して通信可能に接続されている。

【0017】

入力装置１０１は、例えば、キーボード、マウス、タッチパネル等である。表示装置１０２は、例えば、ディスプレイ、表示パネル等である。なお、検出装置１０は、例えば、入力装置１０１及び表示装置１０２のうちの少なくとも一方を有していなくてもよい。

【0018】

外部Ｉ／Ｆ１０３は、記録媒体１０３ａ等の外部装置とのインタフェースである。検出装置１０は、外部Ｉ／Ｆ１０３を介して、記録媒体１０３ａの読み取りや書き込み等を行うことができる。記録媒体１０３ａとしては、例えば、フレキシブルディスク、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等がある。

【0019】

通信Ｉ／Ｆ１０４は、検出装置１０を通信ネットワークに接続するためのインタフェースである。ＲＡＭ１０５は、プログラムやデータを一時保持する揮発性の半導体メモリ（記憶装置）である。ＲＯＭ１０６は、電源を切ってもプログラムやデータを保持することができる不揮発性の半導体メモリ（記憶装置）である。補助記憶装置１０７は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）等のストレージ装置（記憶装置）である。プロセッサ１０８は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等の演算装置である。

【0020】

本実施形態に係る検出装置１０は、図１に示すハードウェア構成を有することにより、後述するメタ学習処理や検出処理を実現することができる。なお、図１に示すハードウェア構成は一例であって、検出装置１０のハードウェア構成はこれに限られるものではない。例えば、検出装置１０は、複数の補助記憶装置１０７や複数のプロセッサ１０８を有していてもよいし、図示したハードウェア以外の様々なハードウェアを有していてもよい。

【0021】

＜検出装置１０の機能構成＞
本実施形態に係る検出装置１０の機能構成例を図２に示す。図２に示すように、本実施形態に係る検出装置１０は、メタ学習部２０１と、適合部２０２と、終了判定部２０３と、検出部２０４とを有する。これら各部は、例えば、検出装置１０にインストールされた１以上のプログラムが、プロセッサ１０８に実行させる処理により実現される。また、本実施形態に係る検出装置１０は、記憶部２０５を有する。記憶部２０５は、例えば、補助記憶装置１０７により実現される。なお、記憶部２０５は、例えば、検出装置１０と通信ネットワークを介して接続される記憶装置（データベースサーバ等）により実現されていてもよい。

【0022】

メタ学習部２０１は、メタ学習時に、メタ学習用の学習データ集合Ｄを用いて、分布外データの検出性能が向上するように、共通モデルを学習する。

【0023】

適合部２０２は、メタ学習時及び検出時のそれぞれで或る学習データ集合（後述するサポート集合）に適合するようにタスク特化モデルを学習する。

【0024】

終了判定部２０３は、メタ学習時に、共通モデルを学習するための繰り返しに対する終了条件を満たすか否かを判定する。

【0025】

検出部２０４は、検出時に、メタ学習時に学習した共通モデルと目的タスクｔ'のタスク特化モデルとを用いて、分布外データを検出する。

【0026】

記憶部２０５は、メタ学習時に、学習対象の共通モデル（及びそのパラメータ）と各タスクのタスク特化モデル（及びそのパラメータ）とメタ学習用の学習データ集合Ｄとを少なくとも記憶する。また、記憶部２０５は、検出時に、学習済みの共通モデル（及びそのパラメータ）と目的タスクｔ'の学習データ集合Ｄ_ｔ'と目的タスクｔ'のタスク特化モデル（及びそのパラメータ）と分布外データであるか否かの判定対象となる特徴量（又はそれらの集合）とを少なくとも記憶する。なお、これら以外にも、記憶部２０５には、例えば、メタ学習時や検出時における途中の計算結果等といった様々なデータが記憶されてもよい。

【0027】

＜メタ学習処理＞
本実施形態に係るメタ学習処理について、図３を参照しながら説明する。

【0028】

まず、メタ学習部２０１は、共通モデルのパラメータΦ（以下、共通モデルパラメータΦともいう。）を初期化する（ステップＳ１０１）。なお、共通モデルパラメータΦは任意の手法により初期化（例えば、ランダムに初期化、或る分布に従って初期化等）すればよい。

【0029】

次に、メタ学習部２０１は、タスクｔ∈｛１，・・・，Ｔ｝をランダムに選択する（ステップＳ１０２）。

【0030】

次に、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔのサポート集合Ｓ⊂Ｄ_ｔをランダムにサンプリングする（ステップＳ１０３）。すなわち、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔの学習データ集合Ｄ_ｔからいくつかの学習データ（ｘ_ｔｎ，ｙ_ｔｎ）をランダムにサンプリングし、それらの学習データの集合をサポート集合Ｓとする。なお、学習データのサンプリング数はランダムに決定されてもよいし、予め決められた数であってもよい。

【0031】

次に、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔの分布内クエリ集合Ｑ_Ｉをランダムにサンプリングする（ステップＳ１０４）。すなわち、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔの学習データ集合Ｄ_ｔに含まれる特徴量の集合｛ｘ_ｔｎ｜ｎ＝１，・・・，Ｎ_ｔ｝からいくつかの特徴量ｘ_ｔｎをランダムにサンプリングし、それらの特徴量の集合を分布内クエリ集合Ｑ_Ｉとする。なお、特徴量のサンプリング数はランダムに決定されてもよいし、予め決められた数であってもよい。

【0032】

次に、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔの分布外クエリ集合Ｑ_Ｏをランダムにサンプリングする（ステップＳ１０５）。すなわち、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔ以外のタスクの学習データ集合Ｄ＼Ｄ_ｔに含まれる特徴量の集合からいくつかの特徴量をランダムにサンプリングし、それらの特徴量の集合を分布外クエリ集合Ｑ_Ｏとする。なお、特徴量のサンプリング数はランダムに決定されてもよいし、予め決められた数であってもよい。

【0033】

次に、適合部２０２は、上記のステップＳ１０３で得られたサポート集合Ｓに適合するように、上記のステップＳ１０２で選択したタスクｔのタスク特化モデルのパラメータを推定する（ステップＳ１０６）。以下、タスク特化モデルのパラメータをΘとする。なお、タスク特化モデルとして密度分布モデルを想定しているため、そのパラメータは、例えば、最尤推定等により推定することができるが、具体例については後述する。

【0034】

次に、メタ学習部２０１は、上記のステップＳ１０２で選択したタスクｔのタスク特化モデルを用いて、クエリ集合Ｑ＝Ｑ_Ｉ∪Ｑ_Ｏの分布外スコアを計算する（ステップＳ１０７）。

【0035】

ここで、サポート集合Ｓと共通モデルパラメータΦとが与えられたときの特徴量ｘの分布外スコアをｕ（ｘ｜Ｓ；Φ）とする。分布外スコアｕ（ｘ｜Ｓ；Φ）は、特徴量ｘのクラスが、サポート集合Ｓを構成する各学習データのラベルが表すクラスに含まれていなければ高い値を取り、含まれていれば低い値を取る。後述するように、検出時には、この分布外スコアの値により、与えられた特徴量が分布外データであるか否かを判定する。このような分布外スコアｕ（ｘ｜Ｓ；Φ）としては、例えば、潜在空間における負の対数尤度

【0036】

【数3】

を用いることができる。ここで、ｆは特徴量空間から潜在空間へ特徴量を写像するニューラルネットワーク、φはそのパラメータである。また、

【0037】

【数4】

はサポート集合Ｓに適合したときのタスク特化モデルのパラメータ（つまり、上記のステップＳ１０６で推定されたパラメータ）を表す。ニューラルネットワークｆのパラメータφは、共通モデルパラメータに含まれる（つまり、φ∈Φである。）。以下、明細書のテキスト中では、推定値を表すハット「＾」は記号の直前に記載する。例えば、サポート集合Ｓに適合したときのタスク特化モデルのパラメータを「＾Θ（Ｓ；Φ）」と表記する。

【0038】

したがって、メタ学習部２０１は、各ｘ∈Ｑに対して、例えば、上記の式（１）に示す分布外スコアｕ（ｘ｜Ｓ；Φ）をそれぞれ計算する。

【0039】

ここで、分布外スコアｕ（ｘ｜Ｓ；Φ）として負の対数尤度を用いる場合、タスク特化モデルとしては任意の密度分布モデルを用いることができる。このため、例えば、タスク特化モデルとして混合ガウス分布を用いた場合、上記のステップＳ１０６において、適合部２０２は、最尤推定により、以下の式（２）に示すパラメータを計算することができる。

【0040】

【数5】

ここで、Ｓ_ｋはサポート集合Ｓの中でクラスｋである特徴量の集合、＾γ_ｋ（Ｓ）はクラスｋの混合比、＾μ_ｋ（Ｓ）はクラスｋの特徴量の潜在空間における平均、＾Σ_ｋ（Ｓ）はクラスｋの特徴量の潜在空間における共分散、βはパラメータ、Ｉは単位行列である。これらの混合比＾γ_ｋ（Ｓ）、平均＾μ_ｋ（Ｓ）及び共分散＾Σ_ｋ（Ｓ）をまとめたものがパラメータ＾Θ（Ｓ；Φ）、つまり＾Θ（Ｓ；Φ）＝｛＾γ_ｋ（Ｓ），＾μ_ｋ（Ｓ），＾Σ_ｋ（Ｓ）｜ｋ＝１，・・・，Ｋ_ｔ｝である。なお、混合ガウス分布ではなく、例えば、カーネル密度推定やニューラルネットワークに基づく密度モデル等を用いることも可能である。

【0041】

次に、メタ学習部２０１は、上記のステップＳ１０７で計算した分布外スコア（つまり、クエリ集合Ｑに関する分布外スコア）を評価する（ステップＳ１０８）。

【0042】

ここで、分布外スコアの評価尺度（言い換えれば、分布外スコアによる分布外データの検出性能を評価する尺度）として、例えば、ＡＵＣ（Area under the ROC curve）を用いることができる。このとき、クエリ集合Ｑに関するＡＵＣ（より正確には、上記のステップＳ１０６で推定されたパラメータ＾Θ（Ｓ；Φ）と、共通モデルパラメータΦとが与えられたときの、クエリ集合Ｑに関するＡＵＣ）は、

【0043】

【数6】

と計算することができる。ここで、Ｎ_Ｏは分布外クエリ集合Ｑ_Ｏの大きさ（要素数）、Ｎ_Ｉは分布内クエリ集合Ｑ_Ｉの大きさ（要素数）を表す。また、Ｉ（・）は指示関数であり、Ａが真のときＩ（Ａ）＝１、そうでないときＩ（Ａ）＝０を取る。なお、上記の式（３）において、指示関数の代わりに、指示関数をシグモイド関数で近似した微分可能な関数を用いてもよい。

【0044】

次に、メタ学習部２０１は、分布外データの検出性能が向上するように、共通モデルパラメータΦを更新する（ステップＳ１０９）。

【0045】

例えば、クエリ集合Ｑに関するＡＵＣの期待値が最大となるように共通モデルパラメータΦを学習する。すなわち、以下の式（４）により共通モデルパラメータΦを学習する。

【0046】

【数7】

ここで、Ｅは期待値を表す。なお、共通モデルパラメータΦの更新は、例えば、既知の勾配法等により行うことができる。

【0047】

次に、終了判定部２０３は、所定の終了条件を満たすか否かを判定する（ステップＳ１１０）。終了条件としては、例えば、ステップＳ１０２～ステップＳ１０９の繰り返し回数が所定の閾値以上となったこと、最適化対象の目的関数（つまり、上記の式（４）の期待値Ｅ）の変化量が所定の閾値以下となったこと、モデル共通パラメータΦの変化量が所定の閾値以下となったこと、等が挙げられる。

【0048】

上記のステップＳ１１０で所定の終了条件を満たすと判定されなかった場合は、ステップＳ１０２に戻る。これにより、当該終了条件を満たすと判定されるまで、ステップＳ１０２～ステップＳ１１０が繰り返し実行される。一方で、上記のステップＳ１１０で所定の終了条件を満たすと判定された場合は、メタ学習処理を終了する。この場合、学習済み共通モデルが得られたことになる。

【0049】

＜検出処理＞
本実施形態に係る検出処理について、図４を参照しながら説明する。

【0050】

適合部２０２は、目的タスクｔ'の学習データ集合Ｄ_ｔ'をサポート集合Ｓとして、目的タスクｔ'のタスク特化モデルをサポート集合Ｓに適合させる（ステップＳ２０１）。すなわち、適合部２０２は、図３のステップＳ１０６と同様に、当該サポート集合Ｓに適合するように、目的タスクｔ'のタスク特化モデルのパラメータ＾Θ（Ｓ；Φ）を推定する。ただし、Φは学習済み共通モデルのパラメータである。

【0051】

次に、検出部２０４は、分布外データであるか否かの判定対象となる特徴量ｘの分布外スコアｕ（ｘ｜Ｓ：Φ）を計算する（ステップＳ２０２）。すなわち、検出部２０４は、例えば、上記の式（１）により分布外スコアｕ（ｘ｜Ｓ：Φ）を計算する。なお、分布外データであるか否かの判定対象となる特徴量の集合｛ｘ_ｎ｜ｎ＝１，・・・，Ｎ｝が与えられた場合、ｎ＝１，・・・，Ｎに対して分布外スコアｕ（ｘ_ｎ｜Ｓ：Φ）をそれぞれ計算すればよい。

【0052】

そして、検出部２０４は、上記のステップＳ２０２で計算した分布外スコアから該当の特徴量が分布外データであるか否かを判定する（ステップＳ２０３）。具体的には、例えば、分布外スコアｕ（ｘ｜Ｓ：Φ）が所定の閾値以上である場合はその特徴量ｘを分布外データであると判定し、そうでない場合は分布外データでないと判定する。これにより、分布外スコアｕ（ｘ｜Ｓ：Φ）が所定の閾値以上である特徴量ｘが、分布外データと検出される。

【0053】

＜評価＞
手書き文字を用いて、本実施形態に係る検出装置１０を評価した結果を以下の表１に示す。

【0054】

【表1】

上記の表１中において、提案手法が検出装置１０である。一方で、既存手法は既存のメタ学習法であるＰｒｏｔｏｔｙｐｉｃａｌ ｎｅｔｗｏｒｋとした。また、評価指標としてはＡＵＣを用いた。上記の表１に示されるように、本実施形態に係る検出装置１０は、既存手法と比べて、高いＡＵＣを達成していることがわかる。

【0055】

＜まとめ＞
以上のように、本実施形態に係る検出装置１０は、目的タスクを含む複数のタスクの学習データ集合を用いて、これら複数のタスクで共通の共通モデルのパラメータをメタ学習により学習する。そして、本実施形態に係る検出装置１０は、学習済みの共通モデルと、目的タスクの学習データ集合に適合させたタスク特化モデルとを用いて、与えられた特徴量から目的タスクの分布外データを検出することができる。しかも、目的タスクの学習データ集合に少量の学習データしか含まれない場合であっても、既存手法と比較して高精度に分布外データを検出することができる。

【0056】

なお、上記では、与えられた特徴量から目的タスクの分布外データを検出する場合について説明したが、本実施形態に係る検出装置１０は、その検出結果から種々の処理を実行してもよい。例えば、分布外データが異常データを表す場合には、例えば、異常となっている機器の停止、他の機器への切り替え等といった制御処理を実行してもよい。

【0057】

本発明は、具体的に開示された上記の実施形態に限られるものではなく、請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。

【符号の説明】

【0058】

１０ 検出装置
１０１ 入力装置
１０２ 表示装置
１０３ 外部Ｉ／Ｆ
１０３ａ 記録媒体
１０４ 通信Ｉ／Ｆ
１０５ ＲＡＭ
１０６ ＲＯＭ
１０７ 補助記憶装置
１０８ プロセッサ
１０９ バス
２０１ メタ学習部
２０２ 適合部
２０３ 終了判定部
２０４ 検出部
２０５ 記憶部

【図1】

【図2】

【図3】

【図4】