[論文レビュー] Anomalous Sound Detection using unsupervised and semi-supervised autoencoders and gammatone audio representation

Sergi Perez-Castanos, Javier Naranjo-Alcazar+2 more|arXiv (Cornell University)|Jun 27, 2020

Music and Audio Processing参考文献 22被引用数 5

ひとこと要約

本論文は、DCASE 2020 タスク2で最先端の性能を達成する、異常音検出（ASD）のための新規な教師なしおよび半教師あり畳み込みオートエンコーダーフレームワークを提案する。教師なしモデルは、異常な訓練データが不要な状況でも、pAUCでベースラインを最大24ポイントも上回った。これは、Gammatone特徴量と2次元畳み込みオートエンコーダーが、未知の機械故障を検出する上で有効であることを示している。

ABSTRACT

Anomalous sound detection (ASD) is, nowadays, one of the topical subjects in machine listening discipline. Unsupervised detection is attracting a lot of interest due to its immediate applicability in many fields. For example, related to industrial processes, the early detection of malfunctions or damage in machines can mean great savings and an improvement in the efficiency of industrial processes. This problem can be solved with an unsupervised ASD solution since industrial machines will not be damaged simply by having this audio data in the training stage. This paper proposes a novel framework based on convolutional autoencoders (both unsupervised and semi-supervised) and a Gammatone-based representation of the audio. The results obtained by these architectures substantially exceed the results presented as a baseline.

研究の動機と目的

• ラベル付き異常訓練データを必要とせずに、産業機械における未知の異常音を検出する課題に対処すること。
• 低リソースで教師なしの設定において、Gammatoneスペクトログラム表現を用いた畳み込みオートエンコーダーの異常検出効果を評価すること。
• 正常音サンプルのみを用いて、教師なしと半教師ありのオートエンコーダー・アーキテクチャを比較し、機械の不具合を検出すること。
• 異常イベントが稀または収集にコストがかかる実世界の産業音声データにおける検出性能を向上させること。

提案手法

• フレームワークは、生の音声を人間の聴覚認識に類似した時間周波数表現に変換するための2次元Gammatoneフィルターバンクを用いる。
• 2次元畳み込みオートエンコーダーは、正常音サンプルのみでエンドツーエンドに訓練され、入力音声の再構成を学習し、再構成誤差から異常スコアを生成する。
• 半教師ありバージョンでは、再構成損失と正常クラスラベルに対する交差エントロピー損失を同時に最適化し、ハイパーパrameter α と β によって両者のトレードオフを制御する。
• 異常スコアは再構成誤差として計算され、誤差が大きいほど異常である可能性が高くなる。
• すべての機械タイプに共通して使用される1つの共有オートエンコーダーで訓練されることにより、異なる産業機械への一般化が可能になる。
• 評価には、低偽陽性率範囲（p=0.1）における部分的AUC（pAUC）が用いられ、実運用における信頼性を優先する。

実験結果

リサーチクエスチョン

• RQ1 正常音サンプルのみで訓練された1つの共有オートエンコーダーが、多様な産業機械において効果的に異常を検出できるか？
• RQ2 Gammatoneベースの音声表現は、従来のメルスペクトログラムと比較して、異常検出性能においてどのように異なるか？
• RQ3 限られたラベル付き異常データを半教師あり学習で組み込むことで、完全に教師なしの学習に比べて検出性能が向上するか？
• RQ4 半教師ありオートエンコーダーにおいて、再構成損失と分類損失の最適なトレードオフは何か？

主な発見

• 完全に教師なしのオートエンコーダーが、全機械タイプで最高の全体的性能を達成し、ToyConveyor機械ではpAUCでベースラインを最大24ポイントも上回った。
• 半教師ありアプローチは性能向上を示さず、一部のケースでは結果が劣化した。特に分類損失重みβを高めすぎた場合（例：β=0.7）に顕著であった。
• ポンプ機械では、ベースラインから約10ポイントの改善にとどまり、このタイプの機械では異常検出がより困難であることが示唆された。
• スライダーマシンでは、提案モデルによりわずかな性能低下（約4ポイント）が観察され、特定の機械タイプではモデルの一般化に課題があることが示された。
• 教師なしフレームワークは、全機械タイプで最高のpAUCを達成し、実世界のASD応用におけるその頑健さと有効性を示した。
• Gammatone表現の使用により、特徴量学習が向上し、標準的なメルベースや生波形アプローチと比較して、より良い再構成と異常検出が可能になった。