JP7448010B2 - 学習方法、学習装置及びプログラム - Google Patents

Description

本発明は、学習方法、学習装置及びプログラムに関する。

異常検知手法は、通常、タスク固有の学習データセットを使ってモデルの学習を行う。高い性能を達成するためには大量の学習データセットが必要であるが、タスク毎に十分な量の学習データを用意するためには高いコストが掛かるという問題がある。

この問題を解決するために、異なるタスクの学習データを活用し、少数の学習データでも高い性能を達成するためのメタ学習法が提案されている（例えば、非特許文献１）。

Finn, Chelsea, Pieter Abbeel, and Sergey Levine. "Model-agnostic meta-learning for fast adaptation of deep networks." Proceedings of the 34th International Conference on Machine Learning, 2017.

しかしながら既存のメタ学習法は、十分な性能を達成できないという問題点がある。

本発明の一実施形態は、上記の点に鑑みてなされたもので、高性能な異常検知モデルを学習することを目的とする。

上記目的を達成するため、一実施形態に係る学習装置は、タスク集合を｛１，・・・，Ｔ｝、タスクｔ∈｛１，・・・，Ｔ｝の事例の特徴を表す特徴量ベクトルが少なくとも含まれるデータで構成されるデータセットをＤ_ｔとして、データセット集合Ｄ＝｛Ｄ_１，・・・，Ｄ_Ｔ｝を入力する入力手順と、前記タスク集合｛１，・・・，Ｔ｝からタスクｔをサンプリングし、前記タスクｔのデータセットＤ_ｔから第１の部分集合と、前記データセットＤ_ｔのうち前記第１の部分集合を除く集合から第２の部分集合とをサンプリングするサンプリング手順と、前記第１の部分集合に対応するタスクｔの性質を表すタスクベクトルを第１のニューラルネットワークにより生成する生成手順と、前記タスクベクトルを用いて、前記第２の部分集合を構成するデータに含まれる特徴量ベクトルを第２のニューラルネットワークにより非線形変換する変換手順と、前記非線形変換された特徴量ベクトルと予め設定された中心ベクトルとを用いて、前記特徴量ベクトルの異常度を表すスコアを計算するスコア計算手順と、前記スコアを用いて、異常検知の汎化性能を表す指標値が高くなるように前記第１のニューラルネットワークのパラメータと前記第２のニューラルネットワークのパラメータとを学習する学習手順と、をコンピュータが実行することを特徴とする。

高性能な異常検知モデルを学習することができる。

本実施形態に係る学習装置の機能構成の一例を示す図である。 本実施形態に係る学習処理の流れの一例を示すフローチャートである。 本実施形態に係る学習装置のハードウェア構成の一例を示す図である。

以下、本発明の一実施形態について説明する。本実施形態では、複数の異常検知（つまり、複数の異常検知タスク）のためのデータセットの集合が学習データセットとして与えられたときに、目的のタスクにおいて少量のデータしか与えられない場合でも異常検知が可能なモデルを学習することができる学習装置１０について説明する。

本実施形態に係る学習装置１０には、学習時に、Ｔ個のデータセットＤ_ｔの集合

が与えられるものとする。以降では、このＴ個のデータセットＤ_ｔの集合を「学習用データセット集合Ｄ」とも表す。すなわち、Ｄ＝｛Ｄ_１，・・・，Ｄ_Ｔ｝である。ここで、Ｄ_ｔ＝（ｘ_ｔｎ，ｙ_ｔｎ）はタスクｔのデータセット、ｘ_ｔｎはタスクｔのｎ番目の事例の特徴量ベクトル、ｙ_ｔｎはその事例が異常か否かを表すラベルで、異常であればｙ_ｔｎ＝１、正常であればｙ_ｔｎ＝０であるものとする。ただし、特徴量ベクトルｘ_ｔｎに対してラベルｙ_ｔｎが与えられていなくてもよい。なお、事例とは異常検知の対象のことである。

テスト時（又は、異常検知モデルの運用時等）には、目的タスクにおける少量のデータの集合Ｓ＝｛（ｘ_ｎ，ｙ_ｎ）｝が与えられるものとする。以降では、このような目的タスクにおける少量のデータの集合Ｓを「サポート集合」ともいう。この目的タスクにおける異常ラベルが未知の特徴量ベクトルｘ（この特徴量ベクトルｘは「クエリ」とも称される。）が与えられたときに、この特徴量ベクトルｘが異常か否かを判定する異常検知モデルを学習することが学習装置１０の目標である。言い換えれば、特徴量ベクトルｘに対するラベル（又は、特徴量ベクトルｘを説明変数とみなしたときの応答変数）ｙをより正確に予測するモデルを学習することが学習装置１０の目標である。

なお、本実施形態では、データ（つまり、特徴量ベクトルｘ_ｎを表すデータ又は特徴量ベクトルｘ_ｎとそのラベルｙ_ｎのペアを表すデータ）は画像やグラフ等のベクトル形式で表されるものとするが、データがベクトル形式でない場合にはベクトル形式で表されるデータに変換することで、本実施形態を同様に適用することが可能である。また、本実施形態は、主に、異常検知を想定して説明するが、これに限られず、例えば、外れ値検知、２値分類問題等にも同様に適用することが可能である。

＜機能構成＞
まず、本実施形態に係る学習装置１０の機能構成について、図１を参照しながら説明する。図１は、本実施形態に係る学習装置１０の機能構成の一例を示す図である。

図１に示すように、本実施形態に係る学習装置１０は、入力部１０１と、タスクベクトル生成部１０２と、スコア計算部１０３と、学習部１０４と、記憶部１０５とを有する。

記憶部１０５には、学習用データセット集合Ｄや学習対象となるパラメータ等が記憶されている。

入力部１０１は、学習時に、記憶部１０５に記憶されている学習用データセット集合Ｄを入力する。なお、テスト時には、入力部１０１は、目的タスクのサポート集合Ｓと異常検知対象の特徴量ベクトルｘとを入力する。

ここで、学習時には、学習部１０４によってタスク集合｛１，・・・，Ｔ｝からタスクｔがサンプリングされた上で、データセットＤ_ｔからサポート集合Ｓ及びクエリ集合Ｑがサンプリングされる。このサポート集合Ｓは学習時に用いられるサポート集合（つまり、サンプリングされたタスクｔにおける少数のデータ（特徴量ベクトルとラベルのペア）で構成されるデータセット）であり、また、このクエリ集合Ｑは学習時に用いられるクエリの集合である。なお、クエリ集合Ｑに含まれる各特徴量ベクトルｘにはそのラベルｙが対応付けられている（つまり、クエリ集合Ｑはタスクｔにおける特徴量ベクトルとそのラベルのペアの集合である。）。

タスクベクトル生成部１０２は、サポート集合を用いて、このサポート集合に対応するタスクの性質を表すタスクベクトルを生成する。

或るタスクのサポート集合（つまり、当該タスクの特徴量ベクトルとそのラベルのペアの集合）を

とする。ここで、Ｎ_Ｓはサポート集合の大きさである。

このとき、タスクベクトル生成部１０２は、ニューラルネットワークにより、サポート集合Ｓに対応するタスクの特徴を表すタスクベクトルｒを生成する。例えば、タスクベクトル生成部１０２は、以下の式（１）によりタスクベクトルｒを生成することができる。

ここで、ｆ及びｇはフィードフォワードネットワーク、［・，・］は要素の結合を表す。

なお、上記の式（１）ではｆ（［ｘ，ｙ］）の平均をｇの入力としているが、これに限られず、例えば、ｆ（［ｘ，ｙ］）の合計や最大値をｇの入力としてもよいし、全てのｆ（［ｘ，ｙ］）を再帰的ニューラルネットワークやアテンション機構等に入力することで得られたベクトルをｇの入力としてもよい。すなわち、ｆ（［ｘ，ｙ］）の集合を入力として、１つのベクトルを出力する任意の関数の出力をｇの入力とすることが可能である（このことは、当該関数により全てのｆ（［ｘ，ｙ］）を１つのベクトルに集約していることを意味する。）。

スコア計算部１０３は、タスクベクトルｒとサポート集合Ｓと或る特徴量ベクトルｘとを用いて、ニューラルネットワークによりその特徴量ベクトルｘに対する異常スコアを計算する。なお、異常スコアは、特徴量ベクトルの異常度を表すスコアである。

まず、スコア計算部１０３は、タスクベクトルｒとニューラルネットワークφを用いて、以下の式（２）により特徴量ベクトルｘを非線形変換する。

次に、スコア計算部１０３は、上記の式（２）により非線形変換された特徴量ベクトルφ（［ｘ，ｒ］）を線形射影したベクトルと、事前に設定された中心ベクトルｃを線形射影したベクトルとの距離を異常スコアとして計算する。すなわち、スコア計算部１０３は、以下の式（３）により異常スコアａ（ｘ｜Ｓ）を計算する。

ここで、＾ｗ（正確には記号「＾」はｗの真上に表記されるが、明細書のテキスト中では記号「＾」をｗの前に付与して「＾ｗ」と表記する。）は線形射影ベクトルである。線形射影ベクトルは、サポート集合に含まれる異常データ（つまり、ラベルｙ＝１のデータ）と中心とがなるべく遠くなり、かつ、当該サポート集合に含まれる正常データ（つまり、ラベルｙ＝０のデータ）と中心とがなるべく近くなるように計算する。例えば、線形射影ベクトル＾ｗは以下の式（４）により計算できる。

ここで、Ｓ_Ａ＝｛ｘ｜ｙ＝１，（ｘ，ｙ）∈Ｓ｝はサポート集合Ｓに含まれる異常データの集合（以下、「異常サポート集合」という。）、Ｎ_Ａは異常サポート集合の大きさ、Ｓ_Ｎ＝｛ｘ｜ｙ＝０，（ｘ，ｙ）∈Ｓ｝はサポート集合Ｓに含まれる正常データの集合（以下、「正常サポート集合」という。）、Ｎ_Ｎは正常サポート集合の大きさ、ηはパラメータである。また、

である。上記の式（４）に示す最適化問題は一般化固有値問題を解くことで計算できる。すなわち、

を解くことで計算できる。ここで、λは最大固有値、＾ｗはその固有ベクトルである。なお、異常データが１つ（この異常データをｘ_Ａとする。）である場合は、以下の最適化問題を解くことで＾ｗを計算することもできる。

一方で、異常を表すラベルが与えられない場合又は異常データが与えられない場合は、与えられたデータの異常スコアが小さくなるように線形射影ベクトル＾ｗを学習する。例えば、

により線形射影ベクトル＾ｗを学習する。

また、ラベルありとラベルなしの両方のデータが与えられる場合は、ラベルなしデータに対して重みを付けて正常データとみなし、与えられたデータの重み付き異常スコアが小さくなるように線形射影ベクトル＾ｗを学習する。例えば、

により線形射影ベクトル＾ｗを学習する。ここで、λは重みパラメータ、Ｓ_Ｕはサポート集合Ｓに含まれるデータのうちでラベルが付与されていないデータの集合（以下、「ラベルなしデータ集合」という。）、Ｎ_Ｕはラベルなしデータ集合の大きさである。

学習部１０４は、入力部１０１によって入力された学習用データセット集合Ｄを用いて、タスク集合｛１，・・・，Ｔ｝からタスクｔをサンプリングした上で、データセットＤ_ｔからサポート集合Ｓ及びクエリ集合Ｑをサンプリングする。なお、サポート集合Ｓの大きさは予め設定される。同様に、クエリ集合Ｑの大きさも予め設定される。また、サンプリングする際、学習部１０４は、ランダムにサンプリングを行ってもよいし、予め設定された何等かの分布に従ってサンプリングを行ってもよい。

そして、学習部１０４は、当該サポート集合Ｓ及び当該クエリ集合Ｑを用いて、異常検知性能が高くなるように異常検知モデルのパラメータΘを更新（学習）する。すなわち、学習部１０４は、以下の式（５）に示す期待値（つまり、サポート集合Ｓが与えられたときのクエリ集合Ｑに対する異常検知の汎化性能期待値）が高くなるようにパラメータΘを学習する。

ここで、Θは異常検知モデルのパラメータであり、ニューラルネットワークｆ、ｇ、φのパラメータが含まれる。Ｌ（Ｑ｜Ｓ；Θ）はサポート集合Ｓが与えられたときのクエリ集合Ｑに対する異常検知の汎化性能を表す指標である。Ｌ（Ｑ｜Ｓ；Θ）としては、例えば、ＡＵＣ（Area under an ROC curve）、近似ＡＵＣ、負のクロスエントロピー誤差、対数尤度等、異常検知性能と相関のある任意の指標を用いることができる。近似ＡＵＣを用いた場合、Ｌ（Ｑ｜Ｓ；Θ）は、以下の式（６）で表される。

ここで、σはシグモイド関数、Ｑ_Ａはクエリ集合Ｑに含まれる異常データの集合、Ｎ^Ｑ _ＡはＱ_Ａの大きさ、Ｑ_Ｎはクエリ集合Ｑに含まれる異常データの集合、Ｎ^Ｑ _ＮはＱ_Ｎの大きさである。

＜学習処理の流れ＞
次に、本実施形態に係る学習装置１０が実行する学習処理の流れについて、図２を参照しながら説明する。図２は、本実施形態に係る学習処理の流れの一例を示すフローチャートである。なお、記憶部１０５に記憶されている学習対象のパラメータΘは、既知の手法で初期化（例えば、ランダムに初期化や或る分布に従うように初期化等）されているものとする。

まず、入力部１０１は、記憶部１０５に記憶されている学習用データセット集合Ｄを入力する（ステップＳ１０１）。

以降のステップＳ１０２～ステップＳ１０８は所定の終了条件を満たすまで繰り返し実行される。所定の終了条件としては、例えば、学習対象のパラメータが収束したこと、当該繰り返しが所定の回数実行されたこと等が挙げられる。

学習部１０４は、タスク集合｛１，・・・，Ｔ｝からタスクｔをサンプリングする（ステップＳ１０２）。

次に、学習部１０４は、上記のステップＳ１０２でサンプリングされたタスクｔのデータセットＤ_ｔからサポート集合Ｓをサンプリングする（ステップＳ１０３）。

次に、学習部１０４は、当該データセットＤ_ｔからサポート集合Ｓを除いた集合（つまり、データセットＤ_ｔに含まれるデータのうちでサポート集合Ｓに含まれないデータの集合）から、クエリ集合Ｑをサンプリングする（ステップＳ１０４）。

続いて、タスクベクトル生成部１０２は、上記のステップＳ１０４でサンプリングされたサポート集合Ｓを用いて、このサポート集合Ｓに対応するタスクｔ（つまり、上記のステップＳ１０２でサンプリングされたタスクｔ）の性質を表すタスクベクトルｒを生成する（ステップＳ１０５）。タスクベクトル生成部１０２は、例えば、上記の式（１）によりタスクベクトルｒを生成すればよい。

次に、スコア計算部１０３は、上記のステップＳ１０３でサンプリングされたサポート集合Ｓと上記のステップＳ１０５で生成されたタスクベクトルｒとを用いて、上記のステップＳ１０４でサンプリングされたサポート集合Ｓに含まれる各特徴量ベクトルの異常スコアａ（ｘ｜Ｓ）をそれぞれ計算する（ステップＳ１０６）。すなわち、スコア計算部１０３は、例えば、当該クエリ集合Ｑに含まれる特徴量ベクトルｘ毎に、上記の式（２）により当該特徴量ベクトルｘをφ（［ｘ，ｒ］）に非線形変換した後、上記の式（３）により異常スコアａ（ｘ｜Ｓ）を計算する。これにより、当該クエリ集合Ｑに含まれる各特徴量ベクトルｘに対する異常スコアａ（ｘ｜Ｓ）がそれぞれ計算される。

次に、学習部１０４は、上記のステップＳ１０６で計算された異常スコアａ（ｘ｜Ｓ）を用いて、異常性能指標Ｌ（Ｑ｜Ｓ；Θ）の値及びそのパラメータΘに関する勾配を計算する（ステップＳ１０７）。学習部１０４は、例えば、上記の式（６）により異常性能指標Ｌ（Ｑ｜Ｓ；Θ）の値を計算すればよい。また、そのパラメータΘに関する勾配は、例えば、誤差逆伝播法等の既知の手法により計算すればよい。

そして、学習部１０４は、上記のステップＳ１０７で計算した異常性能指標値及びその勾配を用いて学習対象のパラメータΘを更新する（ステップＳ１０８）。なお、学習部１０４は、既知の更新式等により学習対象のパラメータΘを更新すればよい。

異常により、本実施形態に係る学習装置１０は、タスクベクトル生成部１０２及びスコア計算部１０３で実現される異常検知モデルのパラメータΘを学習することができる。なお、テスト時には、目的タスクのサポート集合及びクエリを入力部１０１により入力し、このサポート集合からタスクベクトルを生成した上で、このタスクベクトルと当該クエリから異常スコアを計算すればよい。この異常スコアが所定の閾値以上であれば、当該クエリは異常データ、そうでなければ正常データと判定される。テスト時における学習装置１０は学習部１０４を有していなくてもよく、また、例えば、「異常検知装置」等と称されてもよい。

＜評価結果＞
次に、本実施形態に係る学習装置１０によって学習された異常検知モデルの評価結果について説明する。本実施形態では、既知の異常検知データを用いて異常検知モデルを評価した。その評価結果としてテストＡＵＣを以下の表１に示す。

ここで、Ｏｕｒｓは、本実施形態に係る学習装置１０によって学習された異常検知モデルである。比較対象の既存手法としては、ＭＡＭＬ（モデル不可知メタラーニング）、ＦＴ（ファインチューニング）、ＯＳＶＭ（１クラスサポートベクターマシン）、ＲＦ（ランダムフォレスト）を用いた。

上記の表１に示すように、本実施形態に係る学習装置１０によって学習された異常検知モデルは、既存手法と比べて高い異常検知性能を達成している。

以上のように、本実施形態に係る学習装置１０は、複数の異常検知タスクのデータセットの集合から目的タスクの異常検知モデルを学習することができ、この異常検知モデルにより、目的タスクで少量の学習データしか与えられていない場合であっても、高い異常検知性能を実現することができる。

＜ハードウェア構成＞
最後に、本実施形態に係る学習装置１０のハードウェア構成について、図３を参照しながら説明する。図３は、本実施形態に係る学習装置１０のハードウェア構成の一例を示す図である。

図３に示すように、本実施形態に係る学習装置１０は一般的なコンピュータ又はコンピュータシステムで実現され、入力装置２０１と、表示装置２０２と、外部Ｉ／Ｆ２０３と、通信Ｉ／Ｆ２０４と、プロセッサ２０５と、メモリ装置２０６とを有する。これら各ハードウェアは、それぞれがバス２０７を介して通信可能に接続されている。

入力装置２０１は、例えば、キーボードやマウス、タッチパネル等である。表示装置２０２は、例えば、ディスプレイ等である。なお、学習装置１０は、入力装置２０１及び表示装置２０２のうちの少なくとも一方を有していなくてもよい。

外部Ｉ／Ｆ２０３は、記録媒体２０３ａ等の外部装置とのインタフェースである。学習装置１０は、外部Ｉ／Ｆ２０３を介して、記録媒体２０３ａの読み取りや書き込み等を行うことができる。記録媒体２０３ａには、例えば、学習装置１０が有する各機能部（入力部１０１、タスクベクトル生成部１０２、スコア計算部１０３及び学習部１０４）を実現する１以上のプログラムが格納されていてもよい。なお、記録媒体２０３ａには、例えば、ＣＤ（Compact Disc）、ＤＶＤ（Digital Versatile Disk）、ＳＤメモリカード（Secure Digital memory card）、ＵＳＢ（Universal Serial Bus）メモリカード等がある。

通信Ｉ／Ｆ２０４は、学習装置１０を通信ネットワークに接続するためのインタフェースである。なお、学習装置１０が有する各機能部を実現する１以上のプログラムは、通信Ｉ／Ｆ２０４を介して、所定のサーバ装置等から取得（ダウンロード）されてもよい。

プロセッサ２０５は、例えば、ＣＰＵ（Central Processing Unit）やＧＰＵ（Graphics Processing Unit）等の各種演算装置である。学習装置１０が有する各機能部は、例えば、メモリ装置２０６に格納されている１以上のプログラムがプロセッサ２０５に実行させる処理により実現される。

メモリ装置２０６は、例えば、ＨＤＤ（Hard Disk Drive）やＳＳＤ（Solid State Drive）、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、フラッシュメモリ等の各種記憶装置である。学習装置１０が有する記憶部１０５は、例えば、メモリ装置２０６により実現される。ただし、当該記憶部１０５は、例えば、学習装置１０と通信ネットワークを介して接続される記憶装置（例えば、データベースサーバ等）により実現されていてもよい。

本実施形態に係る学習装置１０は、図３に示すハードウェア構成を有することにより、上述した学習処理を実現することができる。なお、図３に示すハードウェア構成は一例であって、学習装置１０は、他のハードウェア構成を有していてもよい。例えば、学習装置１０は、複数のプロセッサ２０５を有していてもよいし、複数のメモリ装置２０６を有していてもよい。

本発明は、具体的に開示された上記の実施形態に限定されるものではなく、請求の範囲の記載から逸脱することなく、種々の変形や変更、既知の技術との組み合わせ等が可能である。

１０ 学習装置
１０１ 入力部
１０２ タスクベクトル生成部
１０３ スコア計算部
１０４ 学習部
１０５ 記憶部
２０１ 入力装置
２０２ 表示装置
２０３ 外部Ｉ／Ｆ
２０３ａ 記録媒体
２０４ 通信Ｉ／Ｆ
２０５ プロセッサ
２０６ メモリ装置
２０７ バス

Claims (7)

1. タスク集合を｛１，・・・，Ｔ｝、タスクｔ∈｛１，・・・，Ｔ｝の事例の特徴を表す特徴量ベクトルが少なくとも含まれるデータで構成されるデータセットをＤ_ｔとして、データセット集合Ｄ＝｛Ｄ_１，・・・，Ｄ_Ｔ｝を入力する入力手順と、
   前記タスク集合｛１，・・・，Ｔ｝からタスクｔをサンプリングし、前記タスクｔのデータセットＤ_ｔから第１の部分集合と、前記データセットＤ_ｔのうち前記第１の部分集合を除く集合から第２の部分集合とをサンプリングするサンプリング手順と、
   前記第１の部分集合に対応するタスクｔの性質を表すタスクベクトルを第１のニューラルネットワークにより生成する生成手順と、
   前記タスクベクトルを用いて、前記第２の部分集合を構成するデータに含まれる特徴量ベクトルを第２のニューラルネットワークにより非線形変換する変換手順と、
   前記非線形変換された特徴量ベクトルと予め設定された中心ベクトルとを用いて、前記特徴量ベクトルの異常度を表すスコアを計算するスコア計算手順と、
   前記スコアを用いて、異常検知の汎化性能を表す指標値が高くなるように前記第１のニューラルネットワークのパラメータと前記第２のニューラルネットワークのパラメータとを学習する学習手順と、
   をコンピュータが実行することを特徴とする学習方法。
2. 前記第１のニューラルネットワークには、第１のフィードフォワードニューラルネットワークと、第２のフィードフォワードニューラルネットワークとが含まれ
   前記生成手順は、
   前記第１の部分集合を構成する各データを前記第１のフィードフォワードニューラルネットワークにより集約したベクトルを生成した後、生成したベクトルを前記第２のフィードフォワードニューラルネットワークにより変換することで前記タスクベクトルを生成する、ことを特徴とする請求項１に記載の学習方法。
3. 前記スコア計算手順は、
   前記非線形変換された特徴量ベクトルを線形射影ベクトル＾ｗで線形射影した値と、前記中心ベクトルを前記線形射影ベクトル＾ｗで線形射影した値との距離を前記スコアとして計算する、ことを特徴とする請求項１又は２に記載の学習方法。
4. 前記線形射影ベクトル＾ｗは、前記第１の部分集合に含まれるデータのうちの異常データと前記中心ベクトルとの距離がなるべく遠くなり、かつ、前記第１の部分集合に含まれるデータのうちの正常データと前記中心ベクトルとの距離がなるべく近くなるように計算されたベクトルである、ことを特徴とする請求項３に記載の学習方法。
5. 前記学習手順は、
   前記指標値として、ＡＵＣ、近似ＡＵＣ、負のクロスエントロピー誤差、又は対数尤度のいずれかを用いて、前記指標値が高くなるように前記第１のニューラルネットワークのパラメータと前記第２のニューラルネットワークのパラメータとを学習する、ことを特徴とする請求項１乃至４の何れか一項に記載の学習方法。
6. タスク集合を｛１，・・・，Ｔ｝、タスクｔ∈｛１，・・・，Ｔ｝の事例の特徴を表す特徴量ベクトルが少なくとも含まれるデータで構成されるデータセットをＤ_ｔとして、データセット集合Ｄ＝｛Ｄ_１，・・・，Ｄ_Ｔ｝を入力する入力部と、
   前記タスク集合｛１，・・・，Ｔ｝からタスクｔをサンプリングし、前記タスクｔのデータセットＤ_ｔから第１の部分集合と、前記データセットＤ_ｔのうち前記第１の部分集合を除く集合から第２の部分集合とをサンプリングするサンプリング部と、
   前記第１の部分集合に対応するタスクｔの性質を表すタスクベクトルを第１のニューラルネットワークにより生成する生成部と、
   前記タスクベクトルを用いて、前記第２の部分集合を構成するデータに含まれる特徴量ベクトルを第２のニューラルネットワークにより非線形変換する変換部と、
   前記非線形変換された特徴量ベクトルと予め設定された中心ベクトルとを用いて、前記特徴量ベクトルの異常度を表すスコアを計算するスコア計算部と、
   前記スコアを用いて、異常検知の汎化性能を表す指標値が高くなるように前記第１のニューラルネットワークのパラメータと前記第２のニューラルネットワークのパラメータとを学習する学習部と、
   を有することを特徴とする学習装置。
7. コンピュータに、請求項１乃至５の何れか一項に記載の学習方法を実行させるプログラム。

Images