- 2021-1-29
- 制御・IT系, 技術ニュース, 海外ニュース
- ARIMA, DeepAR, GAN（Generative Adversarial Network、敵対的生成ネットワーク）, IEEE BigData 2020, TadGAN, オートエンコーダー（自己符号化器）, ジェネレーター（生成器）, ディスクリミネーター（識別器）, ディープラーニング, マサチューセッツ工科大学（MIT）, 学術
米マサチューセッツ工科大学（MIT）の研究チームは、ディープラーニングを利用して時系列データから効果的に異常値を検知する新しいフレームワーク「TadGAN」を発表した。誰でもベンチマークツールとして利用できるように、コードをオープンソース化している。研究結果は、2020年12月10～13日にオンライン開催されたビッグデータに関する国際会議「IEEE BigData 2020」で発表された。
現在、金融、航空宇宙からIT、セキュリティ、医療分野まで、我々は各種デバイスに内蔵したセンサーから膨大な時系列データを得ることができる。データが増えると、より効率よく異常値を検知する手法が必要になる。ただし、データにはノイズが乗る場合があり、「異常」の定義があいまいだ。例えば、人工衛星のオペレーターが温度センサーの高温値を読み取り、ノイズによるただの揺らぎか、オーバーヒートの兆候なのかを区別するのは難しい。
研究チームは、GAN（Generative Adversarial Network、敵対的生成ネットワーク）とオートエンコーダー（自己符号化器）を組み合わせ、時系列データから異常値を検知する新しいフレームワーク「TadGAN」を作り出した。
GANは画像分析によく利用される手法で、2種類のニューラルネットワークで構成している。偽データを生成する「ジェネレーター（生成器）」と真偽を判定する「ディスクリミネーター（識別器）」を互いに競わせて、より本物に近いデータが生成される。オートエンコーダーもニューラルネットワークを利用したアルゴリズムの一つだ。
それぞれを単独で時系列データに利用しようとすると、GANは精度不十分のために正常値も異常とする場合があり、オートエンコーダーはオーバーフィッティング（過学習）のために異常値も正常と解釈する場合があった。この2つを組み合わせてより微妙なアプローチをとることで、“慎重だが誤検出はあまりない”最適なバランスを持った異常検知システムができあがった。ARIMAやDeepARなどほかのモデルと比較しても、高い異常検知性能を示した。
TadGANは、衛星システムだけでなく、データセンターや身近なアプリの監視など、さまざまな産業分野での利用を見込んでいる。そのため、研究チームは、TadGANのコードをオープンソース化し、定期的に更新するとしている。さらに、ユーザーがほかの異常検知モデルの性能と比較できるようにベンチマークシステムも開発した。今後は、TadGANをユーザーインタフェースにパッケージ化して、誰でも最新の時系列解析ができるようにする予定だ。
関連リンク
Method finds hidden warning signals in measurements collected over time
