[論文レビュー] Coupled IGMM-GANs for deep multimodal anomaly detection in human mobility data

Kathryn Gray, Daniel Smolyak+2 more|arXiv (Cornell University)|Sep 7, 2018

Anomaly Detection Techniques and Applications被引用数 15

ひとこと要約

本稿では、無限ガウス・ミックスチャネル・モデル（IGMM）と双方向生成対抗ネットワーク（BiGAN）を組み合わせた、人間の移動行動データにおけるマルチモーダルな異常検出を可能にする新規な深層生成モデルIGMM-GANを提案する。双方向ジェネレータとエンコーダを用いてマルチモーダルな潜在空間を学習し、IGMMを用いてマルチモーダルなマハラノビス距離メトリックを適用することで、実世界の経路データセットおよびMNIST上で、従来のGANベースの手法よりも優れた異常検出性能を達成するとともに、ベンチマーク用にリアルな合成移動データを生成する。

ABSTRACT

Detecting anomalous activity in human mobility data has a number of applications including road hazard sensing, telematic based insurance, and fraud detection in taxi services and ride sharing. In this paper we address two challenges that arise in the study of anomalous human trajectories: 1) a lack of ground truth data on what defines an anomaly and 2) the dependence of existing methods on significant pre-processing and feature engineering. While generative adversarial networks seem like a natural fit for addressing these challenges, we find that existing GAN based anomaly detection algorithms perform poorly due to their inability to handle multimodal patterns. For this purpose we introduce an infinite Gaussian mixture model coupled with (bi-directional) generative adversarial networks, IGMM-GAN, that is able to generate synthetic, yet realistic, human mobility data and simultaneously facilitates multimodal anomaly detection. Through estimation of a generative probability density on the space of human trajectories, we are able to generate realistic synthetic datasets that can be used to benchmark existing anomaly detection methods. The estimated multimodal density also allows for a natural definition of outlier that we use for detecting anomalous trajectories. We illustrate our methodology and its improvement over existing GAN anomaly detection on several human mobility datasets, along with MNIST.

研究の動機と目的

• 人間の移動行動データにおける異常検出において、アノテーションのないデータを扱うための課題に対処すること。
• 従来のGANベースの手法がマルチモーダルな経路パターンを処理する際の限界を克服すること。
• リアルな移動データを合成可能であり、かつエンドツーエンドで異常検出が可能な深層生成モデルを開発すること。
• 異常検出アルゴリズムの評価に役立つベンチマーク可能な合成データセットを提供すること。
• ルートベースの異常だけでなく、異常な速度や急加速といった異常な運転行動も検出できること。

提案手法

• モデルは、ランダムノイズを合成経路にマッピングするジェネレータと、実際の経路を潜在空間に埋め込むエンコーダを備えた双方向GAN（BiGAN）を用いる。
• 潜在空間表現は、正常な移動パターンのマルチモーダルな分布を捉えるために無限ガウス・ミックスチャネル（IGMM）でモデル化される。
• 異常は、潜在空間内の複数のモードを考慮したIGMMから計算されるマルチモーダルなマハラノビス距離メトリックを用いて検出される。
• ジェネレータは空間座標（緯度、経度）とその時間微分（速度）の両方を学習対象とすることで、生成された経路の時間的整合性が向上する。
• モデルは、実際の経路と生成された経路の間の敵対的損失と、潜在空間における再構成誤差を最小化するエンコーダの両方を統合的に最適化することで訓練される。
• 異常スコアは、各テスト経路の潜在埋め込みがIGMMの成分からどれほど離れているかに基づき、スコアが高いほど逸脱度が大きいと判断される。

実験結果

リサーチクエスチョン

• RQ1 特徴工学の豊富な適用なしに、GANベースのモデルが人間の移動行動データにおける異常検出を効果的に行えるか。
• RQ2 無限ガウス・ミックスチャネルを組み込むことで、経路データの潜在空間におけるマルチモーダルな異常検出がどの程度向上するか。
• RQ3 提案されたIGMM-GANは、リアルでベンチマークに有用な人間の移動行動経路を生成できるか。
• RQ4 実世界の経路データセットにおいて、IGMM-GANは最先端のGANベースの異常検出手法と比較してどの程度の性能を示すか。
• RQ5 モデルは、ルートの異常だけでなく、異常な速度や急加速といった異常な運転行動も検出できるか。

主な発見

• GeoLifeデータセットにおける9名のホールドアウトドライバーに対して、IGMM-GANはGANomalyおよびEGBADと比較して一貫して高いAUCスコアを達成し、9つのケースのうち6つで最高のAUCを記録した。
• CabspottingデータセットにおいてGPSノイズを効果的に検出し、学習前の段階でノイズ除去が可能となり、その後の性能向上に寄与した。
• 生成された合成経路は、空間的パターンと速度ダイナミクスの両面で実際の経路と類似しており、視覚的にリアルな長い直線、カーブ、自然な速度変動を再現していた。
• モデルは、不要な迂回や主要道路の使用不足といったルートの異常、都市部での高速道路速度での走行といった速度の異常を検出できた。
• 急激な速度上昇や低下といった異常な加速度パターンも検出でき、これは異常な運転行動を示すものであった。
• 訓練データに含まれない隠れたドライバーに対しても、IGMM-GANは安定した検出性能を示し、未学習クラスへの一般化能力を確認した。