[論文レビュー] Anomaly Detection and Removal Using Non-Stationary Gaussian Processes

Steven Reece, Roman Garnett+2 more|arXiv (Cornell University)|Jul 2, 2015

Gaussian Processes and Bayesian Inference参考文献 10被引用数 13

ひとこと要約

本論文は、物理的信号と故障プロセスを別々にモデル化することで、時間系列データからの異常（例：ドリフトやバイアス故障）の検出と除去を可能にする、非定常ガウス過程フレームワークを提案する。新規のマルコフ領域リンク（MRL）カーネルを用い、故障境界で連続的な関数および導関数を保証する。この手法により、アーチファクトのないEEG信号の回復と高精度なセンサードリフト補正が達成された。

ABSTRACT

This paper proposes a novel Gaussian process approach to fault removal in time-series data. Fault removal does not delete the faulty signal data but, instead, massages the fault from the data. We assume that only one fault occurs at any one time and model the signal by two separate non-parametric Gaussian process models for both the physical phenomenon and the fault. In order to facilitate fault removal we introduce the Markov Region Link kernel for handling non-stationary Gaussian processes. This kernel is piece-wise stationary but guarantees that functions generated by it and their derivatives (when required) are everywhere continuous. We apply this kernel to the removal of drift and bias errors in faulty sensor data and also to the recovery of EOG artifact corrupted EEG signals.

研究の動機と目的

• 生の測定値を破棄せずに、時間系列データにおける一時的故障の検出と除去の課題に対処すること。
• 真の物理的信号と故障プロセスの両方を、別々の非パrametricガウス過程でモデル化すること。
• 故障発生および終了境界で関数およびその導関数の連続性を保証し、現実的な信号再構築を実現すること。
• 実世界の問題としての応用を示すこと：センサードリフト／バイアス補正およびEEG信号におけるEOGアーチファクトの除去。

提案手法

• 変化点で連続的な関数およびその導関数を保証する新しいマルコフ領域リンク（MRL）カーネルを用いた、区分的定常アプローチを採用する。
• 観測信号を、真の物理的プロセスと決定論的故障プロセスの和としてモデル化し、両者ともに独立したGP事前分布に従う。
• 修正されたカーネル行列を用いて、物理的信号および故障プロセスの事後平均と分散をGP回帰により推定する。
• EEGとEOG成分のための統合確率モデルを構築し、時間的に逐次的にアーチファクトのないEEG信号を推定するために周辺化を適用する。
• スケール長、スケール高、アーチファクト発生タイミング、残差分散などのハイパーパramータについて、モンテカルロサンプリングを用いて周辺化を実施する。
• 精度重み付き融合の式を用いて、再構築されたEEGおよびEOG信号の事後平均と分散の閉形式表現を導出する。

実験結果

リサーチクエスチョン

• RQ1 非定常GPフレームワークは、ドリフトやバイアスといった一時的故障を効果的にモデル化・除去できるか？
• RQ2 非定常GP設定下で、故障境界で信号およびその導関数の連続性をどのように確保できるか？
• RQ3 提案手法は、EOGで汚染された記録から高精度でアーチファクトのないEEG信号を回復できるか？
• RQ4 MRLカーネルは、急激または徐々に変化する信号異常を処理する際、標準的な定常カーネルと比較してどのように優れているか？
• RQ5 ハイパーパramータの不確実性は、故障回復および信号再構築の精度にどのような影響を及えるか？

主な発見

• MRLカーネルは、故障境界で連続的な関数および導関数を効果的に生成し、不連続性のない滑らかな故障除去を可能にした。
• EOGアーチファクトで汚染されたEEG信号の再構築が高精度で達成され、可視化において1標準誤差の信頼区間が真の信号をきっちり包んでいることが確認された。
• 元のEEG信号と再構築されたEEG信号との平均差が小さく保たれており、元の信号内容の高い保持が示された。
• アルゴリズムはEOGアーチファクトをEEG信号から効果的に分離でき、事後推定値は最小限の残差誤差を示した。
• ハイパーパramータのモンテカルロ周辺化により、多様な故障タイプや信号特性にわたるロバスト性と一般化性能が向上した。
• 変化点の明示的モデル化と連続性制約の導入により、標準的なGPモデルに比べて非定常故障の処理において優れた性能を発揮した。