| Project/Area Number |
21K12022
|
|---|
| Research Category |
Grant-in-Aid for Scientific Research (C)
|
| Allocation Type | Multi-year Fund |
|---|
| Section | 一般 |
|---|
| Review Section |
Basic Section 61030:Intelligent informatics-related
|
|---|
| Research Institution | National Institute of Technology, Toyama College |
|---|
Principal Investigator |
Kitamura Takuya 富山高等専門学校, その他部局等, 准教授 (40611918)
|
|---|
| Project Period (FY) |
2021-04-01 – 2024-03-31
|
| Project Status |
Completed (Fiscal Year 2023)
|
| Budget Amount *help |
¥3,640,000 (Direct Cost: ¥2,800,000、Indirect Cost: ¥840,000)
Fiscal Year 2023: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2022: ¥520,000 (Direct Cost: ¥400,000、Indirect Cost: ¥120,000)
Fiscal Year 2021: ¥2,600,000 (Direct Cost: ¥2,000,000、Indirect Cost: ¥600,000)
|
|---|
| Keywords | 異常検知 / 疑似異常データ / 敵対生成ネットワーク / 変分自己符号化器 / サポートベクトルマシン / SVDD / SVM / 機械学習 / 深層学習 / 敵対的生成ネットワーク / 変分オートエンコーダ / 人工知能 / 疑似データ |
|---|
| Outline of Research at the Start |
本研究では，オートエンコーダや敵対的生成ネットワークを用いた深層学習によって疑似データを生成し，異常検知性能向上と個人認証システムへの応用を目的とする．また実験では，正常データは多く取得できることを前提とした異常検知問題と異常データが得られない，かつ，正常データも少数しか得られない個人認証問題（本人かそうでないかの二値問題）を想定している．
|
| Outline of Final Research Achievements |
In this study, I focus on the difficulty of collecting abnormal data compared to normal data in anomaly detection problems. Therefore, we aim to improve anomaly detection performance by generating pseudo-abnormal data from only normal data. I use adversarial generative networks (GAN) and variational autoencoders (VAE) for pseudo-abnormal data generation, and confirmed improvement in generalization capability by using the generated pseudo-abnormal data for training. Furthermore, we introduced this approach to a personal authentication system using aerial writing motion. I conducted impersonation experiments, and confirmed its effectiveness.
|
| Academic Significance and Societal Importance of the Research Achievements |
異常検知問題は工場の生産ラインや医療の診断現場や個人認証などのように，様々な分野にて存在しており，国内外問わず，広く研究なされている．また，異常検知問題に対して，疑似データを生成することによる異常検知性能向上の研究は，これまでも広く実施されている．擬似データ生成に広く用いられる手法として，VAEやGANが挙げられるが，本研究のようにこれらを同時に考慮するシステムは少ない．また，生成モデルのみでなく，部分空間法やSVMなどの識別モデルを適用することにより，より高い精度の擬似データの生成と異常検知性能の向上を期待できると考えられ，新規性と有効性の高い研究であると考えられる．
|
