[論文レビュー] Estimation of Dimensions Contributing to Detected Anomalies with Variational Autoencoders

Yasuhiro Ikeda, Kengo Tajiri+3 more|arXiv (Cornell University)|Nov 12, 2018

Anomaly Detection Techniques and Applications参考文献 24被引用数 9

ひとこと要約

本論文は、正規に近い潜在分布をモデル化し、尤度を最大化することで、検出された異常要因に寄与する入力次元を推定するための、変分オートエンコーダー（VAEs）を用いた新規手法を提案する。この手法は、ラベル付きの異常データを必要とせず、解釈可能な異常検出を可能にする一方で、ベースライン手法を上回る性能を示す。

ABSTRACT

Anomaly detection using dimensionality reduction has been an essential technique for monitoring multidimensional data. Although deep learning-based methods have been well studied for their remarkable detection performance, their interpretability is still a problem. In this paper, we propose a novel algorithm for estimating the dimensions contributing to the detected anomalies by using variational autoencoders (VAEs). Our algorithm is based on an approximative probabilistic model that considers the existence of anomalies in the data, and by maximizing the log-likelihood, we estimate which dimensions contribute to determining data as an anomaly. The experiments results with benchmark datasets show that our algorithm extracts the contributing dimensions more accurately than baseline methods.

研究の動機と目的

• 深層学習ベースの異常検出における解釈性の欠如に取り組むこと、特に異常検出に寄与する入力次元を特定すること。
• ラベル付きの異常データを必要とせず、半教師ありの解釈を可能にする手法を開発すること。
• 再構成誤差やスパarsity仮定に依存する従来手法の改善を図ること。これらは非スパースな異常状況では寄与度を誤って推定する可能性がある。
• ラベル付きの異常タイプが利用できない状況でも、寄与度の分析により異常タイプを特定可能にする。

提案手法

• 本手法は、事前に学習されたVAEを用いて、正常データの潜在分布をモデル化する。異常データは、寄与する次元を調整すれば正常に見えると仮定する。
• 潜在空間における妥当な正常値に、寄与する可能性のある次元の値を固定する近似的な確率的モデルを導入する。
• 各次元の寄与度は、この修正された潜在分布下での再構成データの対数尤度を最大化することで推定する。
• 本手法はVAEの確率的性質を活用し、異常状況下での各次元が正常からどれほど逸脱しているかを反映する尤度を計算する。
• 本手法は半教師あり設定で適用され、訓練には正常データのみを用い、検出された異常の寄与度を推定する。

実験結果

リサーチクエスチョン

• RQ1 再構成誤差やスパarsity仮定に依存せずに、VAEによって検出された異常の寄与する入力次元を正確に推定できるか？
• RQ2 ベンチマークデータセット上で、提案手法の対数尤度に基づく寄与度推定は、ベースライン手法と比較してどの程度優れているか？
• RQ3 臨床的に意味のある特徴（例：心電図の不徐脈）と一致するか、実世界の医療データ（例：心電図不徐脈）において、推定された寄与次元は妥当か？
• RQ4 本手法は、ラベル付きの異常タイプがなくても、寄与度パターンから異常タイプを推論可能である半教師ありの異常解釈を可能にするか？

主な発見

• ベンチマークデータセットにおいて、本手法は、真の異常原因との整合性を測定したところ、ベースライン手法よりも寄与次元をより正確に抽出した。
• 心電図不徐脈データでは、既知の臨床的特徴と一致する寄与次元が得られた：左束脚ブロックではQRS波幅の延長、右束脚ブロックではR’波の振幅上昇、前壁心筋梗塞ではQRS波形の変化。
• 症候が著しく変動するクラス2（症状が多様）では、一貫した寄与パターンは得られず、臨床的変動性と整合的であった。
• 寄与度のt-SNE可視化では、異常クラスごとにクラスタリングが観察され、本手法が異常空間に意味のある構造を捉えていることが示された。
• ラベル付きの異常データを一切使用せず、臨床的に関連のある心電図特徴（例：ST/T波のずれ、インプリシットR’波）がトップ寄与度を示した。