[論文レビュー] Multi-view anomaly detection via robust probabilistic latent variable models

Tomoharu Iwata, Makoto Yamada|arXiv (Cornell University)|Dec 5, 2016

Anomaly Detection Techniques and Applications参考文献 24被引用数 30

ひとこと要約

本稿では、正規のインスタンスが複数の視点にまたがって同一の隠れベクトルから生成されるのに対し、異常インスタンスは複数の視点固有の隠れベクトルから生成される、耐障害性のある確率的潜在変数モデルを提案する。各インスタンスの隠れベクトル数を推定するためにディリクレ過程事前分布を用い、確率的EMアルゴリズムによりベイズ推論を実現することで、ノイズが多いマルチビューデータにおいても高い検出性能を達成する。

ABSTRACT

We propose probabilistic latent variable models for multi-view anomaly detection, which is the task of finding instances that have inconsistent views given multi-view data. With the proposed model, all views of a non-anomalous instance are assumed to be generated from a single latent vector. On the other hand, an anomalous instance is assumed to have multiple latent vectors, and its different views are generated from different latent vectors. By inferring the number of latent vectors used for each instance with Dirichlet process priors, we obtain multi-view anomaly scores. The proposed model can be seen as a robust extension of probabilistic canonical correlation analysis for noisy multi-view data. We present Bayesian inference procedures for the proposed model based on a stochastic EM algorithm. The effectiveness of the proposed model is demonstrated in terms of performance when detecting multi-view anomalies.

研究の動機と目的

• 視点間の不一致が異常を示すマルチビューデータにおける異常検出の課題に対処すること。
• 正規インスタンスを、複数の視点にわたって同一の潜在表現としてモデル化する一方で、異常インスタンスは複数の視点固有の潜在ベクトルを持つようにモデル化すること。
• 非パrametricなベイズ的事前分布を用いて、インスタンスごとの潜在ベクトル数を自動的に推論可能にすること。
• 従来の手法（例：確率的CCA）と比較して、マルチビューデータにおけるノイズに対してより高い耐性を持つこと。
• 確率的EMアルゴリズムを用いたスケーラブルなベイズ推論手順を提案すること。

提案手法

• すべての視点にわたって同一の共有潜在ベクトルから正規インスタンスを生成するようにモデル化し、一貫性を確保する。
• 異常インスタンスを、複数の視点固有の潜在ベクトルから生成されるようにモデル化し、不一致を反映させる。
• インスタンスごとの潜在ベクトル数にディリクレ過程事前分布を導入することで、非パrametricな推論を可能にする。
• 潜在変数およびモデルパラメータのベイズ推論に、確率的期待最大化（SEM）アルゴリズムを適用する。
• 各視点の尤度を、その潜在ベクトルに基づいて定式化し、潜在構造を条件付き独立と仮定する。
• 潜在ベクトル構造を通じて視点固有の変動を柔軟にモデル化することで、ノイズに対する耐性を高める。

実験結果

リサーチクエスチョン

• RQ1 不一致する視点を特定することで、マルチビューデータにおける異常を効果的に検出する方法は何か？
• RQ2 非パrametricな事前分布を用いた確率的潜在変数モデルは、ノイズが多いマルチビュー環境下で異常検出性能をどの程度向上させ得るか？
• RQ3 事前の知識なしに、インスタンスごとの潜在ベクトル数を信頼性高く推定できるか？
• RQ4 ノイズがある条件下で、本手法の性能は確率的線形相関分析（CCA）と比較してどの程度優れているか？
• RQ5 確率的EMアルゴリズムの使用が、スケーラビリティおよび推論精度に与える影響は何か？

主な発見

• 提案手法は、ノイズが多いデータにおいて、ベースライン手法と比較して優れたマルチビュー異常検出性能を達成した。
• ディリクレ過程事前分布の使用により、インスタンスごとの潜在ベクトル数をデータ駆動的に自動推定可能となった。
• モデルは視点間の不一致を効果的に捉え、これは異常インスタンスを示す指標となった。
• 確率的EMを用いたベイズ推論により、潜在変数モデルのパラメータ推定が安定的かつスケーラブルに実現された。
• 本手法はノイズに対して高い耐性を示し、標準的な確率的CCAよりもマルチビュー異常検出タスクで優れた性能を発揮した。
• 実験結果により、本モデルの異常スコアが、既存手法と比較して異常インスタンスをより明確に識別できることを確認した。