JP7651238B2 - コンピュータ実装方法およびコンピュータプログラム（揮発性有機化合物の検出と分類） - Google Patents

Description

本開示は、一般に、揮発性有機化合物の検出と分類に関する。本開示は、特に、トレーニングされた機械学習モデルを使用して揮発性有機化合物を検出および分類することに関する。

揮発性有機化合物（ＶＯＣ）の検出と分類は、これまでも、そして今も、研究コミュニティにとって挑戦的な分野である。センサは、部分的に特異的で独自の選択性を持つ、対象となる化学分析物や環境に直接さらされるＶＯＣ認識センサのアレイを統合することで、ＶＯＣを検出する。このセンサの主な構成要素は、ガスセンサのアレイとパターン認識アルゴリズムであり、ＶＯＣの独自のシグネチャを学習する後、教師付きまたは教師なしの方式で未知のＶＯＣを正確に分類する。

例えば揮発性有機化合物の分類を容易にするために必要な処理機能のため、人間が一連の精神的行為として実行することはできない。

以下では、本開示の１または複数の実施形態の基本的な理解を提供するための概要を示す。この概要は、重要または不可欠な要素を特定したり、特定の実施形態の範囲または特許請求の範囲を明確にしたりすることを意図するものではない。その目的は、後述するより詳細な説明の前段階として、概念を簡略化して提示することにある。本明細書に記載されている１または複数の実施形態では、デバイス、システム、コンピュータで実装された方法、装置、もしくはコンピュータプログラム製品、またはその両方によって、検出された揮発性有機化合物の自動分類が可能になる。

本発明の態様は、揮発性有機化合物（ＶＯＣ）の検出に関連するテストデータを受信し、既知のＶＯＣに関連するデータ特徴のセットに従ってテストデータを分析し、テストデータの各特徴とデータ特徴のセットの対応する特徴との間のマッチを判定してマッチのセットを得て、マッチのセットに従ってテストデータの第１の異常度を定義し、第１の異常度に従ってテストデータを分類することによる、揮発性有機化合物の分類に関連する方法、システム、およびコンピュータ可読媒体を開示するものである。

添付図面における本開示のいくつかの実施形態のより詳細な説明を通じて、本開示の上記およびその他の目的、特徴、および利点がより明らかになるであろう。ここで、同じ参照は、一般に、本開示の実施形態における同じ構成要素を指すものとする。

本発明の一実施形態に係るコンピューティング環境の概略図である。

本発明の一実施形態に係る操作順序を示すフローチャートである。

本発明の一実施形態に係る論理的データフローを示すフローチャートである。

本発明の一実施形態に係るクラウド－コンピューティング環境を示す図である。

本発明の一実施形態に係る抽象化モデル層を示す図である。

いくつかの実施形態は、本開示の実施形態が図示されている添付図面を参照して、より詳細に説明される。しかし、本開示は様々な方式で実施することができるため、本明細書に開示された実施形態に限定して解釈されるべきではない。

一実施形態では、システムの１または複数のコンポーネントが、ハードウェアもしくはソフトウェア、またはその両方を採用して、高度な技術的性質を持つ問題を解決することができる（例えば、既知のＶＯＣに関連するデータ特徴のセットに従ってテストデータ特徴を分析すること、テストデータの各特徴とデータ特徴のセットの対応する特徴との間のマッチを判定し、マッチのセットをもたらすこと、マッチのセットに従ってテストデータの第１の異常度を定義すること、および第１の異常度に従ってテストデータを分類すること、など）。これらの解決策は抽象的なものではなく、例えば揮発性有機化合物の分類を容易にするために必要な処理機能のため、人間が一連の精神的行為として実行することはできない。さらに、実行される処理の一部は、データ分類に関連する定義されたタスクを実行するための専用コンピュータによって実行されてもよい。例えば、揮発性有機化合物の分類などに関するタスクは、専用コンピュータを使って実行することができる。

揮発性有機化合物は、センサのアレイによって変換され、各センサが接触するＶＯＣに関連する、各センサからの時系列の電圧出力が得られる。各センサの電圧出力は、第１の電圧から第２の電圧への遷移という観点から分析してよい。各電圧遷移は、１回の遷移につき５つのセグメントのように、等しい時間的セグメントに分割されてよい。各遷移の各時間的セグメントは、その遷移の特徴として特徴づけられてよい。このように、ＶＯＣにさらされている間のセンサアレイからの電圧出力のセットを、ＶＯＣ関連の特徴のセットに変換してよい。同様に、食品や飲料アイテムに関連するアロマブーケなどのＶＯＣのセットにさらされることに関連するアレイセンサ出力電圧のセットは、対応するＶＯＣのセットのセンサ出力の電圧遷移に関連する特徴のセットに変換されることがある。開示される実施形態は、機械学習揮発性有機化合物分類モデルをトレーニングするために利用された、以前に分類された揮発性有機化合物のセットの観点から、新しい揮発性有機化合物を分類することを可能にする。

センサアレイの出力は、開示される実施形態を実行する電子鼻のコンピューティングシステムに直接提供されてもよく、データが記録され、開示される実施形態を実行する外部コンピューティングシステムに提供されてもよい。

一実施形態では、本方法は、ラベル付けされたＶＯＣのセットを用いて機械学習モデルをトレーニングする。セットの各ＶＯＣは、単一のＶＯＣを構成してもよく、特定の香りまたはフレーバに関連するＶＯＣのセットなど、ラベル付けされたＶＯＣのセットを構成してもよい。本方法では、各ＶＯＣについて、電子鼻の電圧出力を収集する。

一実施形態では、電子鼻の各センサは、１または複数の温度振動を受け、その結果、センサの温度変化の過程で発生するセンサ電圧出力波形が生成される。本実施形態において、センシング装置は、センサの温度を変化させるサーミスタを用いて、定義された温度波形に従って各センサの温度を変化させることができる。

トレーニングサンプルセットのラベル付けされた各ＶＯＣサンプルに、本方法は複数のセンシングセッションを行い、その結果、ラベル付けされた各ＶＯＣサンプルについてセンサアレイから電圧出力のセットが得られる。ラベル付けされた各ＶＯＣの各特徴の値は、ＶＯＣの電圧出力のセット間で異なる場合がある。電圧出力のセットは、ＶＯＣの特徴のセットの各特徴に関連する値の分布を定義する。

トレーニングデータセットのラベル付けされた各ＶＯＣに対して、本方法は、そのＶＯＣに対応するクラス、ｍ個の特徴のセットを学習する。各クラスの各特徴について、本方法は、ラベル付けされたＶＯＣのセンシングセッションに関連する出力セットから特徴値の分布を分析することで、特徴の境界を学習し、定義する。

一実施形態では、計算の複雑さを軽減するために、本方法は、ラベル付けされた各ＶＯＣに関連するｍ個の特徴のセットを削減する。本実施形態では、各クラスの各特徴の値の分布について、本方法は、特徴およびクラスの値のセットに含まれるために各値をテストする。本方法では、各クラスに対して、ｍ次元の実数ベクトルが考慮される。ここで、ｍはＶＯＣサンプルに関連する特徴の全体セットに相当する。特徴のセットの評価には、特徴のセットの各特徴の境界を定義することが含まれる。

本方法では、指定された信頼度、例えば９５％の信頼度の代用データを含む分布を用いて、特徴値の分布の平均値（μ_ｊ）、標準偏差（σ_ｊ）を推定することで、クラスの各特徴の境界を定義する。そして、チェビシェフの不等式と、μ_ｊ±ｎ_ｊ＊σ_ｊとして定義された第１の閾値に従って、特徴の境界が判定される。本方法では、各ハイパーパラメータｎ_ｊの値を、分布の値のＺ％が［μ_ｊ－ｎ_ｊ＊σ_ｊ，μ_ｊ＋ｎ_ｊ＊σ_ｊ］で定義される区間に含まれることを可能にする最小の数として求め、Ｚ％を定義するためにユーザの入力を使用し、例えば９５％とする。このような検討の結果、本方法は、特徴値境界のセットμ_０±ｎ_０＊σ_０，μ_１±ｎ_１＊σ_１，…，μ_ｍ±ｎ_ｍ＊σ_ｍとして、ここで、ｍ^＊＜ｍである。本例の定義された境界では、特徴データの９５％が境界内に入り、特徴データの５％が定義された境界の外側に入る。本方法は、閾値以上のハイパーパラメータｎ_ｊ値で示される分散した分布を有する特徴をクラスから除外する。その結果、トレーニングサンプルデータ特徴のセットの９５％、または他のユーザ定義の限界が、ラベル付けされたＶＯＣに関連付けられ、トレーニングサンプルデータ特徴の５％がラベル付けされたＶＯＣに異常をきたす。

本方法は、トレーニングサンプルに含まれるラベル付けされたＶＯＣおよびＶＯＣセットのそれぞれに定義され、関連付けられた特徴の境界をＶＯＣデータベースに入力する。本方法は、テストサンプルのデータをＶＯＣデータベースの特徴の境界セットと比較して、テストサンプルをＶＯＣ含有量に応じて分類する。

トレーニング後、本方法は、テストサンプル（トレーニングサンプルセットに含まれないサンプル）に関連するアレイセンサ出力電圧に使用する分類モデルを提供する。本方法では、テストサンプルごとに、出力電圧データを、トレーニングサンプルデータを分割する際に使用したものと同じ時間的スケールを持つ特徴に分割する。各テストサンプルの各センサ出力の各特徴について、本方法は、その特徴をモデルのそれぞれのＶＯＣからの対応する特徴の境界と比較する。本方法では、２つの特徴が電圧出力のタイムライン上で同じ位置を占めている場合、特徴が対応しているとみなす。

一実施形態では、本方法は、定義された最大特徴数（Ｍａｘ）以上の定義された特徴の境界から外れた値を有するテストサンプルを異常として分類する。本実施形態では、本方法は、特徴のトレーニングサンプルデータの分布に応じて、最大数を定義する。トレーニングセットのデータについては、本方法は、全てのサンプルが異常と分類された状態を表すＭａｘ＝０から始まり、異常と分類されたトレーニングサンプルセットの異常の数が、ユーザ定義の信頼レベルの補数（トレーニングサンプルの１００－Ｚ）％以下になるまで、Ｍａｘを１のステップで直線的に増加させる。例えば、本方法では、ユーザが定義したＺが９５の場合に、トレーニングサンプルの５％が異常と分類されたときに、トレーニングサンプルデータが超える境界を持つ特徴の数をＭａｘと定義する。実際には、本方法では、定義された特徴の境界の外側にあるテストサンプル特徴値の数μ_０±ｎ_０＊σ_０，μ_１±ｎ_１＊σ_１，…，μ_ｍ＊±ｎ_ｍ＊＊σ_ｍ＊が、トレーニングサンプルデータセットに応じて判定されたＭａｘの値を超えた場合に、テストサンプルを異常と分類する。定義された特徴の境界から外れた特徴値がＭａｘ未満のテストサンプルは、テストサンプルデータ特徴値に対してマッチする特徴の数が最も多いＶＯＣとして分類される。

一実施形態では、本方法は、対応する特徴の境界から外れたテストサンプル特徴値の数として、値ａを定義する。ａ≧Ｍａｘのテストサンプルに対しては、この方法はテストサンプルを異常と分類する。ａの値が大きいほど、トレーニング済みモデルのベースラインＶＯＣに比べてテストサンプルの異常度が高いことを示す。異常と分類されたテストサンプルについては、本方法は、異常度を考慮し、モデルのＶＯＣデータベースに現在に存在しない未見のクラス（異常の度合いが相対的に低い）、または汚染されたサンプル（異常の度合いが相対的に高い）のいずれかのメンバとしてテストサンプルを分類する。

一実施形態では、本方法は、ａの閾値を、本方法が境界を定義する際に特徴の境界から外れたトレーニングサンプルのａの平均値として定義する。（Ｚが９５の場合、本方法は、トレーニングサンプルの９５％を含むように特徴の境界を定義し、そして、現在定義された特徴の境界から外れた５％のトレーニングサンプルの平均ａ値を閾値として使用し、ａが閾値以下の場合は、異常なテストサンプルを未見のクラスのサンプルとして、ａが閾値以上の場合は、汚染されたサンプルとしてさらに分類する）。

一実施形態では、本方法は、「ａ」閾値以上のａ値を有するテストサンプルを汚染物質としてラベル付けし、サンプルを汚染物質クラスに割り当てる。汚染物質クラスのサンプルに本方法を教師なしで適用すると、類似した特徴を持つテストサンプル特徴値に応じて、特定のタイプの汚染に関連するＶＯＣの新しいクラスが得られる。本実施形態では、本方法は、汚染されていると分類されたテストサンプルの特徴セットを利用し、さらに、サンプルのそれぞれの特徴セットの類似性に応じて、分類されたサンプルの全体セットを分類する。汚染物質の新たな分類は、ベースラインＶＯＣのデータベースに追加され、新たなテストサンプルの分類に使用されることがある。

異常と分類されたテストサンプルであっても、ａの値が「ａ」の閾値を下回っている場合、本方法はテストサンプルを未見のクラスに分類する。未見に分類されたテストサンプルに本方法を教師なしで適用すると、サンプルの特徴セット間の類似性に応じてテストサンプルをさらに分類する。新しい分類は、ベースラインＶＯＣのデータベースに追加され、新しいテストサンプルの分類に使用されることがある。

一実施形態では、アレイのセンサは、使用に伴うセンサの劣化により、出力のずれが生じることがある。本実施形態では、センサ出力のずれに応じて、上述の閾値のずれが生じることがある。本方法をトレーニングモードで実行すると、センサの変化に対応する新しい閾値が判定されることがある。本実施形態では、閾値を確認および修正するトレーニングモードでの本方法の操作は、毎月、半年、毎年などの定期的なベースで行ってよい。

開示された実施形態のアプリケーションには、食肉、乳製品、およびその他の食品について、定義されたベースラインからのサンプルＶＯＣのシフトによって示されるように、試験食品サンプルを検査して、スポイルをチェックすることが含まれる。さらに、アプリケーションには、危険物に関連する揮発性有機化合物の存在を確認することも含まれる。例えば、市販の天然ガスに添加されたＶＯＣを確認してシステムの漏れを特定したり、アンモニアガスを使用する冷凍システムの近くでアンモニアガスの存在を確認したり、爆発物などの他の危険物から発生するベースラインの揮発性有機化合物を確認したりすることができる。さらに、病気に関連するセンシングＶＯＣを検出して診断指標として使用されることも含まれている。

図１は、開示された発明の実施に関連する例示的なネットワークリソースの概略図である。本発明は、命令ストリームを処理する、開示されたいずれかの要素のプロセッサにおいて実施することができる。図に示すように、ネットワーク接続されたクライアント装置１１０は、サーバサブシステム１０２に無線で接続する。クライアント装置１０４は、ネットワーク１１４を介してサーバサブシステム１０２に無線で接続する。クライアント装置１０４および１１０は、揮発性有機化合物分類プログラム（図示せず）を、そのプログラムを実行するのに十分なコンピューティングリソース（プロセッサ、メモリ、ネットワーク通信ハードウェア）とともに備えている。図１に示されるように、サーバサブシステム１０２は、サーバコンピュータ１５０を備えている。図１は、本発明の一実施形態による、ネットワークコンピュータシステム１０００内のサーバコンピュータ１５０の構成要素を示すブロック図である。図１は、一実装の例示に過ぎず、異なる実施形態が実装可能な環境に関して、いかなる制限も意味しないことを理解されたい。示された環境には多くの修正を加えることができる。

サーバコンピュータ１５０は、プロセッサ１５４、メモリ１５８、永続的ストレージ１７０、通信部１５２、入出力（Ｉ／Ｏ）インターフェース１５６、および通信ファブリック１４０を含むことができる。通信ファブリック１４０は、キャッシュ１６２、メモリ１５８、永続的ストレージ１７０、通信部１５２、および入出力（Ｉ／Ｏ）インターフェース１５６の間の通信を提供する。通信ファブリック１４０は、プロセッサ（マイクロプロセッサ、通信およびネットワークプロセッサなど）、システムメモリ、周辺機器、およびシステム内の他のハードウェアコンポーネントの間でデータもしくは制御情報、またはその両方を渡すために設計された任意のアーキテクチャで実装することができる。例えば、通信ファブリック１４０は、１または複数のバスで実装することができる。

メモリ１５８および永続的ストレージ１７０は、コンピュータ可読記憶媒体である。本実施形態では、メモリ１５８は、ランダムアクセスメモリ（ＲＡＭ）１６０を含む。一般的に、メモリ１５８は、任意の適切な揮発性または不揮発性のコンピュータ可読記憶媒体を含むことができる。キャッシュ１６２は、メモリ１５８から最近アクセスされたデータ、および最近アクセスされたデータに近いデータを保持することで、プロセッサ１５４の性能を向上させる高速メモリである。

本発明の実施形態を実施するために使用されるプログラム命令およびデータ、例えば、揮発性有機化合物分類プログラム１７５は、キャッシュ１６２を介してサーバコンピュータ１５０のそれぞれのプロセッサ１５４の１または複数による実行もしくはアクセス、またはその両方のために、永続的ストレージ１７０に格納される。本実施形態では、永続的ストレージ１７０は、磁気ハードディスクドライブを含む。代わりに、または磁気ハードディスクドライブに加えて、永続的ストレージ１７０は、ソリッドステートハードドライブ、半導体記憶装置、リードオンリメモリ（ＲＯＭ）、消去可能プログラム可能型読み出し専用メモリ（ＥＰＲＯＭ）、フラッシュメモリ、またはプログラム命令やデジタル情報を格納することができる任意の他のコンピュータ可読記憶媒体を含むことができる。

また、永続的ストレージ１７０が使用する媒体は、取り外し可能なものであってもよい。例えば、取り外し可能なハードドライブを永続的ストレージ１７０に使用してもよい。他の例としては、光ディスクや磁気ディスク、サムドライブ、スマートカードなどがあり、これらは永続的ストレージ１７０の一部でもある別のコンピュータ可読記憶媒体に転送するためにドライブに挿入される。

通信部１５２は、これらの例では、クライアントコンピューティングデバイス１０４、および１１０のリソースを含む、他のデータ処理システムまたはデバイスとの通信を提供する。これらの例では、通信部１５２は、１または複数のネットワークインターフェースカードを含む。通信部１５２は、物理通信リンクおよび無線通信リンクのいずれかまたは両方を使用して通信を提供してもよい。ソフトウェアの配布プログラム、および本発明の実施に用いられるその他のプログラムやデータは、通信部１５２を介してサーバコンピュータ１５０の永続的ストレージ１７０にダウンロードされてもよい。

Ｉ／Ｏインターフェース１５６は、サーバコンピュータ１５０に接続される可能性のある他のデバイスとのデータの入出力を可能にする。例えば、Ｉ／Ｏインターフェース１５６は、キーボード、キーパッド、タッチスクリーン、マイク、デジタルカメラ、もしくは他の適切な入力デバイス、またはそれらの組み合わせなどの外部デバイス１９０への接続を提供することができる。外部デバイス１９０は、例えば、サムドライブ、ポータブル光ディスクまたは磁気ディスク、およびメモリカードなどのポータブルコンピュータ可読記憶媒体も含むことができる。本発明の実施形態を実施するために使用されるソフトウェアおよびデータ、例えば、サーバコンピュータ１５０上の揮発性有機化合物分類プログラム１７５は、このようなポータブルコンピュータ可読記憶媒体に格納することができ、Ｉ／Ｏインターフェース１５６を介して永続的ストレージ１７０にロードすることができる。Ｉ／Ｏインターフェイス１５６は、ディスプレイ１８０にも接続されている。

ディスプレイ１８０は、ユーザにデータを表示するメカニズムを提供するものであり、例えば、コンピュータのモニタであってもよい。ディスプレイ１８０は、タブレットコンピュータのディスプレイのように、タッチスクリーンとしても機能する。

図２は、本開示の実施に関連する例示的な活動を示す、フローチャート２００を提供する。プログラム開始後、ブロック２１０において、揮発性有機化合物分類プログラム１７５の方法は、ＶＯＣに関連するセンサアレイ出力電圧データを、テストデータとして電子鼻から受け取る。本方法では、電子鼻に直接接続してデータを受け取ることもでき、データが処理のために記録されて方法に渡された後に間接的に受け取ることもできる。直接的または間接的な接続には、コンピュータ・ネットワーク・インフラストラクチャを介して方法にデータを渡すことが含まれてよい。本方法は、受信したＶＯＣデータを、サンプルのＶＯＣ含有量に応じてテストサンプルの分類に使用するためのデータ特徴に変換する。

ブロック２２０において、揮発性有機化合物分類プログラム１７５の方法は、データベースに格納されたベースラインＶＯＣ特徴パターンのセットに従って、テストデータを分析する。一実施形態では、本方法は、本方法の分類ステップに従ってラベル付けされたＶＯＣサンプルデータを分析することにより、ＶＯＣデータベースを作成した。本方法では、トレーニングサンプルデータ特徴の境界を定義する。本方法では、テストサンプルを異常と分類するための閾値を定義し、さらに異常なテストサンプルを、汚染されたサンプルまたは目に見えないＶＯＣサンプルのいずれかに分類する。

ブロック２３０で、本方法は、テストサンプルのデータ特徴と、分類されたＶＯＣのデータ特徴パターンとの間のマッチを判定する。本方法では、テストサンプルのデータ特徴値を、対応するＶＯＣデータ特徴の以前に定義されたデータ特徴の境界と比較する。定義された境界内の値はマッチしているとみなされ、定義された境界外の値はマッチしていないとみなされる。本方法では、既知のＶＯＣデータ特徴とマッチするテストサンプルデータ特徴の数と、既知のＶＯＣデータ特徴とマッチしないテストサンプルデータ特徴の数を判定する。

ブロック２４０で、本方法は、テストサンプルデータの第１の異常度を定義する。本方法では、上記で判定したマッチ数を用いて、第１の異常度を定義する。本方法では数、定義されたトレーニングサンプルＶＯＣデータ特徴の境界から外れたテストサンプルデータ特徴の数を表す数値ａを判定する。本方法では、ａの値をテストサンプルの第１の異常度として前に進める。

ブロック２５０において、本方法は、第１の異常度に応じてテストサンプルを分類する。一実施形態では、本方法は、トレーニングサンプルのデータの分布に応じて、テストサンプルデータ特徴のａ値のＭａｘ閾値を定義する。本方法では、トレーニングデータサンプルを分類する際に、ユーザが指定したレベルの精度が得られるデータ特徴の境界の閾値数を判定する。一例として、本方法は、多数のトレーニングサンプルの匿名分類をもたらす、マッチしないトレーニングサンプルデータ特徴の境界の最大数を判定し、これはユーザ定義の許容レベル以下である。ユーザが定義した信頼度が９５％の場合、５％の異常許容度について、本方法は、トレーニングセットのサンプルが外れる可能性のある特徴の境界の最大数を判定し、その結果、トレーニングサンプルの５％以下が異常と分類される。

閾値以下の値を持つテストサンプルは、テストサンプルデータ特徴とマッチする特徴の数が最も多いベースラインＶＯＣとして分類される。ａ値が定義されたａ閾値を超えるテストサンプルは異常と分類される。

図３は、本発明の一実施形態による、モデルのトレーニングに関連する方法論理およびデータフローを示すフローチャート３００を提供する。図に示すように、機械学習分類モデル３１０は、トレーニングサンプルセンサアレイ出力データ３１２を受け取る。モデル３１０は、データ３１２を使用して、ラベル付けされたＶＯＣについて、ユーザの信頼レベルＺに従ってデータ特徴の境界３１４を定義する。本方法は、ラベル付けされたＶＯＣの特徴の境界のパターンを、ＶＯＣ特徴の境界データベース３１５に格納する。モデルはさらに、異常と分類されることなくサンプルデータが外れる可能性のある特徴の境界の数に関連したＭＡＸ閾値３１６を定義する。本方法は、ユーザの信頼度と、トレーニングサンプルセットからのサンプルデータ特徴の分布とに応じて、ＭＡＸ閾値３１６を判定する。また、本方法は、異常分類のための「ａ」閾値３１８を判定する。本方法では、異常と分類されたトレーニングセットのサンプルについて、失敗した特徴の境界マッチの数であるａの平均値として、「ａ」閾値３１８を判定する。異常許容レベルが５％の場合、本方法は、異常と分類されたトレーニングセットサンプルの５％の平均「ａ」値として「ａ」閾値３１８を判定する。

図に示すように、本方法は、特徴の境界定義３１４、ＭＡＸ閾値３１６、および「ａ」閾値３１８を含むトレーニング済みモデル３１０を利用して、新しいテストサンプルデータ３２２を分類する。トレーニング済みモデルは、テストサンプルデータ３２２を受信し、３２４において、テストサンプルデータ特徴を、モデルのＶＯＣ特徴の境界データベース３１５からの格納されたＶＯＣデータ特徴の境界３１４と比較する。本方法では、各テストサンプルについて、サンプルのデータ特徴がマッチするＶＯＣ特徴の境界の数と、サンプルの特徴がマッチしない数、つまりテストサンプルの「ａ」値を判定する。

３２５において、本方法は、テストサンプルの「ａ」値を、以前に判定されたＭＡＸ閾値３１６の値と比較する。ＭＡＸ未満の「ａ」値を有するテストサンプルについて、本方法は、サンプル３２６と最も多くのデータ特徴がマッチするＶＯＣとしてテストサンプルを分類する。ＭＡＸ以上の値を持つテストサンプルについて、本方法は、そのテストサンプルを異常３２７と分類する。

異常と分類されたテストサンプルに対して、３２７で本方法はサンプルのａ値を「ａ」閾値３１８と比較する。「ａ」閾値３１８以上の「ａ」値を有するテストサンプルは、汚染物質３２８として分類される。「ａ」の閾値未満の値を持つテストサンプルは、目に見えない揮発性有機化合物３２９として分類される。

十分な汚染物質サンプル、または目に見えない揮発性有機化合物サンプルが蓄積された実施形態では、本方法は、蓄積された汚染物質または目に見えない揮発性有機化合物データを新しいトレーニングデータ３１２として使用してトレーニングフェーズを実施し、モデルのための新しい分類を生成する。

本開示にはクラウドコンピューティングに関する詳細な説明が含まれているが、本明細書で述べられている教えの実施は、クラウドコンピューティング環境に限定されるものではないことを理解されたい。むしろ、本発明の実施形態は、現在知られている、または将来開発される他のタイプのコンピューティング環境と組み合わせて実施することができる。

クラウドコンピューティングは、設定可能なコンピューティングリソース（例えば、ネットワーク、ネットワーク帯域幅、サーバ、処理、メモリ、ストレージ、アプリケーション、仮想マシン、サービスなど）の共有プールに、便利でオンデマンドなネットワークアクセスを可能にするサービス提供モデルであり、最小限の管理作業やサービスプロバイダとのやりとりで迅速にプロビジョニングおよびリリースすることができる。このクラウドモデルは、少なくとも５つの特徴、少なくとも３つのサービスモデル、少なくとも４つの展開モデルを含んでいる。

特徴は以下の通りである。

オンデマンドセルフサービス：クラウド利用者は、サービスプロバイダとの人間のやりとりを必要とせず、必要に応じてサーバ時間やネットワークストレージなどのコンピューティング機能を一方的に自動的に提供することができる。

幅広いネットワークへのアクセス：ネットワーク上で機能が利用でき、標準的なメカニズムでアクセスできるため、異種のシン／シッククライアント・プラットフォーム（例えば、携帯電話、ノートパソコン、ＰＤＡなど）での利用が可能である。

リソースプーリング：プロバイダのコンピューティングリソースをプールして、マルチテナントモデルを用いて複数の消費者にサービスを提供し、需要に応じて異なる物理的および仮想的リソースを動的に割り当てたり、再割り当てしたりすること。一般的に、消費者は提供されたリソースの正確な場所を制御したり、知ったりすることはできないが、より高い抽象度で場所を指定することができるかもしれないという点で、場所の独立性があります（例えば、国、州、またはデータセンタ）。

迅速な弾力性：機能を迅速かつ弾力的にプロビジョニングし、場合によっては自動的に、迅速にスケールアウトし、迅速にリリースして迅速にスケールインすることができる。消費者にとっては、プロビジョニングに利用できる機能は無制限で、いつでもどの量で購入できるように見えることが多い。

測定されたサービス：クラウドシステムは、サービスの種類（例えば、ストレージ、処理、帯域幅およびアクティブユーザアカウント）に応じた抽象度の測定機能を活用することで、リソースの使用を自動的に制御および最適化する。リソースの使用状況を監視、制御、報告することで、利用するサービスのプロバイダと消費者の双方に透明性を提供することができる。

サービスモデルは以下の通りである。

Ｓｏｆｔｗａｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ（ＳａａＳ）：消費者に提供される機能は、クラウドのインフラ上で動作するプロバイダのアプリケーションを使用することである。アプリケーションは、様々なクライアント装置から、ウェブブラウザなどのシンクライアントインターフェース（例えば、ウェブベースの電子メール）を介してアクセスできる。消費者は、ネットワーク、サーバ、オペレーティングシステム、ストレージを含むクラウドのインフラや、限られたユーザ固有のアプリケーション構成設定を除いて、個々のアプリケーションの機能を管理および制御することはない。

Ｐｌａｔｆｏｒｍ ａｓ ａ Ｓｅｒｖｉｃｅ（ＰａａＳ）：消費者が提供する機能で、プロバイダがサポートするプログラミング言語やツールを使用して、消費者が作成または取得したアプリケーションをクラウドのインフラ上に展開することができる。消費者は、ネットワーク、サーバ、オペレーティングシステム、ストレージなどの基盤を含むクラウドのインフラを管理および制御することはないが、展開されたアプリケーションや、場合によってはアプリケーションのホスティング環境の設定を制御することができる。

ＩａａＳ（Ｉｎｆｒａｓｔｒｕｃｔｕｒｅ ａｓ ａ Ｓｅｒｖｉｃｅ）：消費者に提供される機能は、処理、ストレージ、ネットワーク、およびその他の基本的なコンピューティングリソースを提供し、消費者がオペレーティングシステムやアプリケーションを含む任意のソフトウェアを展開および実行できるようにする。消費者は、基盤となるクラウドのインフラを管理および制御することはないが、オペレーティングシステム、ストレージ、展開されたアプリケーションを制御することができ、また、一部のネットワークコンポーネント（例えば、ホストのファイアウォール）を限定的に制御することができる。

展開モデルは以下の通りである。

プライベートクラウド：クラウドのインフラが組織のためだけに運営されていること。組織が管理する場合もあれば、第三者が管理する場合もあり、オンプレミスでもオフプレミスでも存在する。

コミュニティクラウド：クラウドのインフラを複数の組織で共有し、共通の関心事（例えば、ミッション、セキュリティ要件、ポリシー、コンプライアンスの考慮事項）を共有する特定のコミュニティをサポートする。組織または第三者によって管理され、オンプレミスまたはオフプレミスに存在する場合がある。

パブリッククラウド：クラウドのインフラを一般市民や大規模な産業グループが利用できるようにしたもので、クラウドサービスを販売する組織が所有している。

ハイブリッドクラウド：クラウドのインフラは、２つ以上のクラウド（プライベート、コミュニティ、パブリック）を組み合わせたもので、固有の存在でありながら、データやアプリケーションのポータビリティを可能にする標準化された技術や独自の技術によって一緒に結合されている（例えば、クラウド間の負荷分散を行うクラウドバースト）。

クラウドコンピューティング環境は、ステートレス、低結合、モジュール化、セマンティックな相互運用性を重視したサービス指向の環境である。クラウドコンピューティングの中核となるのは、相互に接続されたノードのネットワークを含むインフラである。

次に図４を参照すると、例示的なクラウドコンピューティング環境５０が示されている。図示されているように、クラウドコンピューティング環境５０は、１または複数のクラウドコンピューティングノード１０を含み、そのノードと、例えば、パーソナルデジタルアシスタント（ＰＤＡ）または携帯電話５４Ａ、デスクトップコンピュータ５４Ｂ、ラップトップコンピュータ５４Ｃ、もしくは自動車コンピュータシステム５４Ｎ、またはその両方など、クラウド利用者が使用するローカルコンピューティングデバイスが通信することができる。ノード１０は、互いに通信してもよい。これらは、物理的または仮想的に、前述のプライベートクラウド、コミュニティクラウド、パブリッククラウド、ハイブリッドクラウドなどの１または複数のネットワークでグループ化（図示せず）されていてもよく、それらを組み合わせてもよい。これにより、クラウドコンピューティング環境５０は、クラウド利用者がローカルコンピューティングデバイス上にリソースを維持する必要のないインフラ、プラットフォーム、もしくはソフトウェア、またはその両方をサービスとして提供することができる。図４に示されているコンピューティングデバイス５４Ａ－Ｎのタイプは、例示のみを目的としており、コンピューティングノード１０およびクラウドコンピューティング環境５０は、任意のタイプのネットワーク、もしくはネットワークアドレス可能な接続、またはその両方を介して（例えば、ウェブブラウザを使用して）、任意のタイプのコンピュータ化されたデバイスと通信できることを理解されたい。

次に図５を参照すると、クラウドコンピューティング環境５０（図４）によって提供される機能抽象化層のセットが示されている。図５に示されている構成要素、層、および機能は例示のみを目的としており、本発明の実施形態はこれに限定されるものではないことを予め理解しておく必要がある。示されているように、以下の層と対応する機能がある。

ハードウェアおよびソフトウェア層６０は、ハードウェアおよびソフトウェアコンポーネントを含む。ハードウェアコンポーネントの例としては、メインフレーム６１、縮小命令セットコンピュータ（ＲＩＳＣ）アーキテクチャベースのサーバ６２、サーバ６３、ブレードサーバ６４、記憶装置６５、およびネットワークとネットワークコンポーネント６６が挙げられる。いくつかの実施形態において、ソフトウェアコンポーネントは、ネットワークアプリケーションサーバソフトウェア６７およびデータベースソフトウェア６８を含む。

仮想化層７０は、仮想サーバ７１、仮想ストレージ７２、仮想プライベートネットワークを含む仮想ネットワーク７３、仮想アプリケーションおよびオペレーティングシステム７４、および仮想クライアント７５を含む仮想エンティティの例が提供される抽象化層を提供する。

一例では、管理層８０は、以下に説明する機能を提供してもよい。リソースプロビジョニング８１は、クラウドコンピューティング環境でタスクを実行するために利用されるコンピューティングリソースやその他のリソースを動的に提供する。計量と価格８２は、クラウドコンピューティング環境でリソースが利用される際にコストを追跡し、これらのリソースの消費に対して課金または請求を提供する。一例として、これらのリソースには、アプリケーションソフトウェアのライセンスが含まれる。セキュリティは、クラウド利用者およびタスクの身元確認、データおよびその他のリソースの保護を提供する。ユーザポータル８３は、消費者やシステム管理者にクラウドコンピューティング環境へのアクセスを提供する。サービスレベル管理８４は、要求されたサービスレベルが満たされるように、クラウドコンピューティングリソースの割り当てと管理を提供する。サービスレベルアグリーメント（ＳＬＡ）のプランニングとフルフィルメント８５は、ＳＬＡに従って将来の要求が予測されるクラウドコンピューティングリソースを事前に手配し、提供する。

ワークロード層９０は、クラウドコンピューティング環境が利用される可能性のある機能の例を提供する。この層から提供されるワークロードおよび機能の例としては、マッピングおよびナビゲーション９１、ソフトウェア開発およびライフサイクル管理９２、仮想クラスルームでの教育提供９３、データ分析処理９４、トランザクション処理９５、揮発性有機化合物分類プログラム１７５などが挙げられる。

本発明は、任意の可能な技術的詳細レベルの統合において、システム、方法、もしくはコンピュータプログラム製品、またはその両方であってもよい。本発明は、命令ストリームを処理する単一または並列のあらゆるシステムで有益に実施することができる。コンピュータプログラム製品は、プロセッサに本発明の態様を実現させるためのコンピュータ可読プログラム命令を有する（１または複数の）コンピュータ可読記憶媒体を含んでよい。

コンピュータ可読記憶媒体は、命令実行デバイスにより使用される命令を保持および格納し得る有形のデバイスであり得る。コンピュータ可読記憶媒体は、例えばであって、限定されるものではないが、電子記憶装置、磁気記憶装置、光記憶装置、電磁記憶装置、半導体記憶装置または上述のものの任意の適切な組み合わせであり得る。コンピュータ可読記憶媒体のより具体的な例の非包括的な列挙は、ポータブルコンピュータディスケット、ハードディスク、ランダムアクセスメモリ（ＲＡＭ）、リードオンリメモリ（ＲＯＭ）、消去可能プログラマブルリードオンリメモリ（ＥＰＲＯＭまたはフラッシュメモリ）、スタティックランダムアクセスメモリ（ＳＲＡＭ）ポータブルコンパクトディスクリードオンリメモリ（ＣＤ－ＲＯＭ）、デジタル多用途ディスク（ＤＶＤ）、メモリスティック、フロッピーディスク、パンチカードまたは記録された命令を有する溝内の隆起構造などの機械的に暗号化されたデバイス、および、上述のものの任意の適切な組み合わせを含む。コンピュータ可読記憶媒体、またはコンピュータ可読ストレージは、本明細書において使用される場合、電波もしくは他の自由に伝搬する電磁波、導波路もしくは他の伝送媒体を通じて伝搬する電磁波（例えば、光ファイバケーブルを通過する光パルス）、または、ワイヤを通じて伝送される電気信号などの一時的な信号それ自体とは解釈されない。

本明細書において説明するコンピュータ可読プログラム命令は、例えばインターネット、ローカルエリアネットワーク、ワイドエリアネットワーク、もしくは無線ネットワーク、またはその両方などのネットワークを介して、コンピュータ可読記憶媒体からそれぞれのコンピューティング／処理デバイスへダウンロードされ得るか、または、外部コンピュータもしくは外部記憶装置へダウンロードされ得る。ネットワークは、銅送信ケーブル、光送信ファイバ、無線送信、ルータ、ファイアウォール、スイッチ、ゲートウェイコンピュータ、もしくはエッジサーバ、またはその両方を備えてよい。各コンピューティング／処理デバイスにおけるネットワークアダプターカードまたはネットワークインタフェースは、ネットワークからコンピュータ可読プログラム命令を受け取り、それぞれのコンピューティング／処理デバイス内のコンピュータ可読記憶媒体に格納するためのコンピュータ可読プログラム命令を転送する。

本発明の動作を実行するためのコンピュータ可読プログラム命令は、アセンブラ命令、命令セットアーキテクチャ（ＩＳＡ）命令、機械命令、機械依存命令、マイクロコード、ファームウェア命令、状態設定データ、集積回路のための構成データ、または、１または複数のプログラミング言語の任意の組み合わせで書かれたソースコード若しくはオブジェクトコードのいずれか一方であってよい。１または複数のプログラミング言語は、Ｓｍａｌｌｔａｌｋ（登録商標）、Ｃ＋＋等のようなオブジェクト指向プログラミング言語と、「Ｃ」プログラミング言語または同様のプログラミング言語等のような手順型プログラミング言語とを含む。コンピュータ可読プログラム命令は、ユーザのコンピュータ上で全て実行され得るか、スタンドアロンのソフトウェアパッケージとして部分的にユーザのコンピュータ上で実行され得るか、部分的にユーザのコンピュータ上で、かつ、部分的にリモートコンピュータ上で実行され得るか、または、リモートコンピュータもしくはサーバ上で全て実行され得る。後者のシナリオにおいて、リモートコンピュータは、ローカルエリアネットワーク（ＬＡＮ）またはワイドエリアネットワーク（ＷＡＮ）を含む任意の種類のネットワークを通じてユーザのコンピュータに接続されてもよく、接続は、外部コンピュータ（例えば、インターネットサービスプロバイダを用いるインターネットを通じて）行われてもよい。いくつかの実施形態において、本発明の態様を行うべく、例えばプログラマブル論理回路、フィールドプログラマブルゲートアレイ（ＦＰＧＡ）またはプログラマブル論理アレイ（ＰＬＡ）を含む電子回路は、電子回路をパーソナライズためのコンピュータ可読プログラム命令の状態情報を利用することで、コンピュータ可読プログラム命令を実行してよい。

本発明の態様は、本明細書において、発明の実施形態に係る方法、機器（システム）、及び、コンピュータプログラムプロダクトのフローチャート、もしくはブロック図、またはその両方を参照して説明されている。フローチャート図、もしくはブロック図の各ブロック、またはその両方、およびフローチャート図、もしくはブロック図におけるブロックの組み合わせ、またはその両方は、コンピュータ可読プログラム命令により実装され得ることを理解されたい。

これらのコンピュータ可読プログラム命令は、汎用コンピュータ、専用コンピュータのプロセッサ、または、機械を生産するための他のプログラマブルデータ処理装置に提供されてよい。それにより、命令は、コンピュータのプロセッサ、または、他のプログラマブルデータ処理装置を介して実行され、フローチャート、もしくはブロック図のブロック、またはその両方、もしくはブロックにより特定される機能／動作を実装するための手段を作成する。これらのコンピュータ可読プログラム命令はまた、コンピュータ、プログラマブルデータ処理装置もしくは他のデバイスまたはその組み合わせに、特定の方式で機能するように指示し得るコンピュータ可読記憶媒体の中に保存されてよい。それにより、命令を中に併せて保存して有するコンピュータ可読記憶媒体が、フローチャート、もしくはブロック図のブロック、またはその両方、もしくはブロック内で特定された機能／動作の態様を実装する命令を含む製造物品を備える。

コンピュータ可読プログラム命令はまた、コンピュータ、他のプログラマブルデータ処理装置または他のデバイスにロードされてよく、一連の動作ステップをコンピュータ、他のプログラマブル装置または他のデバイス上で行わせて、コンピュータ実装プロセスを作る。それにより、コンピュータ、他のプログラマブル装置または他のデバイス上で実行される命令は、フローチャー、もしくはブロック図のブロック、またはその両方、もしくはブロック内で特定された機能／動作を実装する。

図面内のフローチャートおよびブロック図は、本発明の様々な実施形態に係る、システム、方法、および、コンピュータプログラムプロダクトのあり得る実装のアーキテクチャ、機能、および、動作を示す。これに関して、フローチャート又はブロック図における各ブロックは、指定された論理機能を実装するための１又は複数の実行可能命令を含む、命令のモジュール、セグメント、又は、部分を表し得る。いくつかの代替的な実装では、ブロックで留意された機能は、図面の中で留意された順序から外れて生じる場合がある。例えば、連続して示される２つのブロックは、実際には実質的に同時に実行されてもよく、またはそれらのブロックは、関係する機能性によっては逆の順序で実行されることがあってもよい。また、ブロック図および／またはフローチャート図の各ブロック、ならびにブロック図および／またはフローチャート図におけるブロックの組み合わせは、特定される機能もしくは動作を行う、または、特定用途向けハードウェアとコンピュータ命令との組み合わせを実現する特定用途向けハードウェアベースのシステムによって実装され得ることに留意されたい。

「一実施形態」、「実施形態」、「例示的実施形態」などへの本明細書での参照は、説明される実施形態が、特定の特徴、構造または特性を含み得るが、全ての実施形態が、必ずしもその特定の特徴、構造または特性を含み得るわけではないことを示す。また、そのような語句は、必ずしも同じ実施形態を指すものではない。さらに、特定の特徴、構造、または特性が実施形態に関連して記載される場合、明記されているか否かに関わらず、複数の他の実施形態に関連するそのような特徴、構造、または特性に影響を与えることは、当業者の知識の範囲内であるものと思われる。

本明細書に用いられる用語は、特定の実施形態を説明するという目的のためだけのものであり、本発明を限定しようとする意図はない。本明細書では、単数形の「一」、「１つ」、および「上記」は、文脈上明らかに他を示す場合を除き、複数形も含むことを意図している。本明細書で使用される「構成」、もしくは「からなる」、またはその組み合わせである用語は、記載された特徴、整数、ステップ、操作、要素、もしくは構成要素、またはその組み合わせの存在を特定するものであり、１または複数の他の特徴、整数、ステップ、操作、要素、構成要素、もしくはそれらのグループ、またはその組み合わせの存在または追加を排除するものではないことが、さらに理解されたい。

本発明の様々な実施形態の説明は、説明のために提示されたものであるが、開示された実施形態を網羅的に、または限定することを意図したものではない。当業者であれば、本発明の範囲と精神から逸脱することなく、多くの修正と変形が明らかになるであろう。本明細書で使用されている用語は、実施形態の原理、市場で見られる技術に対する実用化または技術的改善を最もよく説明するために、または、当業者がここで開示されている実施形態を理解できるように選択されたものである。

Claims (20)

1. １または複数のコンピュータプロセッサによって、揮発性有機化合物（ＶＯＣ）の検出に関連するテストデータを受信する段階と、
   前記１または複数のコンピュータプロセッサによって、既知のＶＯＣに関連するデータ特徴のセットに従って、前記テストデータを分析する段階と、
   前記１または複数のコンピュータプロセッサによって、前記テストデータの各特徴と前記データ特徴のセットの対応する特徴との間のマッチを判定して、マッチのセットを生成する段階と、
   前記１または複数のコンピュータプロセッサによって、前記マッチのセットに応じて、前記テストデータの第１の異常度を定義する段階と、
   前記１または複数のコンピュータプロセッサによって、前記第１の異常度に応じて前記テストデータを分類する段階と
   を備える、揮発性有機化合物を分類するためのコンピュータ実装方法。
2. 前記テストデータの各特徴と前記データ特徴のセットの前記対応する特徴との間のマッチを判定する段階は、第２の異常度に応じてマッチを判定することを含む、請求項１に記載のコンピュータ実装方法。
3. 前記第２の異常度は、トレーニングサンプルのセットにおける前記対応する特徴の分布に関連する第１の閾値に応じて判定される、請求項２に記載のコンピュータ実装方法。
4. 前記１または複数のコンピュータプロセッサによって、前記テストデータを、前記第１の異常度に応じて異常であると分類する段階をさらに備える、請求項１から３のいずれか一項に記載のコンピュータ実装方法。
5. 前記１または複数のコンピュータプロセッサによって、前記テストデータを、第３の異常度に応じて未見のクラスであると分類する段階をさらに備える、請求項４に記載のコンピュータ実装方法。
6. 前記１または複数のコンピュータプロセッサによって、前記テストデータを、第３の異常度に応じて汚染されたものであると分類する段階をさらに備える、請求項４に記載のコンピュータ実装方法。
7. 前記第３の異常度は、トレーニングサンプルのセットにおける異常なデータサンプルの分布と関連している、請求項６に記載のコンピュータ実装方法。
8. 揮発性有機化合物分類のためのコンピュータプログラムであって、プロセッサに、
   揮発性有機化合物（ＶＯＣ）の検出に関連するテストデータを受信する手順と、
   既知のＶＯＣに関連するデータ特徴のセットに従って、前記テストデータを分析する手順と、
   前記テストデータの各特徴と、前記データ特徴のセットの対応する特徴との間のマッチを判定して、マッチのセットを生成する手順と、
   前記マッチのセットに応じて、前記テストデータの第１の異常度を定義する手順と、
   前記第１の異常度に応じて、前記テストデータを分類する手順と
   を実行させるためのコンピュータプログラム。
9. 前記テストデータの各特徴とデータ特徴のセットの前記対応する特徴との間のマッチを判定する手順は、第２の異常度に応じてマッチを判定する手順を含む、請求項８に記載のコンピュータプログラム。
10. 前記第２の異常度は、トレーニングサンプルのセットにおける前記対応する特徴の分布に関連する第１の閾値に応じて判定される、請求項９に記載のコンピュータプログラム。
11. 前記プロセッサに、前記第１の異常度に応じて、前記テストデータを異常であると分類する手順
    をさらに実行させる、請求項８から１０のいずれか一項に記載のコンピュータプログラム。
12. 前記プロセッサに、第３の異常度に応じて、前記テストデータを未見のクラスであると分類する手順
    をさらに実行させる、請求項１１に記載のコンピュータプログラム。
13. 前記プロセッサに、第３の異常度に応じて、前記テストデータを汚染されたものであると分類する手順
    をさらに実行させる、請求項１１に記載のコンピュータプログラム。
14. 前記第３の異常度は、トレーニングサンプルのセットにおける異常なデータサンプルの分布と関連している、請求項１３に記載のコンピュータプログラム。
15. 電圧出力が、アレイと接触している所与のテストサンプル中に存在する揮発性有機化合物（ＶＯＣ）の関数であるセンサのアレイに応じて、揮発性有機化合物を分類するためのコンピュータ実装方法であって、
    前記アレイから電圧出力を受信する段階であって、前記電圧出力は前記テストサンプルに関連する段階と、
    １または複数のコンピュータプロセッサにより、電圧出力を分析して、様々な有機化合物に対応するそれぞれの特徴を有する以前に記録された波形に対して前記電圧出力をマッチする段階と、
    既知のＶＯＣのデータベースの各ＶＯＣに関連する各特徴について、前記テストサンプルの電圧出力が前記特徴に対する第１の閾値に従って特徴にマッチするかどうかを判定する段階と
    を備える、コンピュータ実装方法。
16. 前記第１の閾値は、ＶＯＣトレーニングサンプルのセットにおける前記特徴の分布に応じて判定される、請求項１５に記載のコンピュータ実装方法。
17. 前記テストサンプルの第１の異常度を判定する段階をさらに備え、前記第１の異常度は、マッチしない特徴の数を備える、請求項１５または１６に記載のコンピュータ実装方法。
18. 第２の閾値を前記第１の異常度に適用する段階であって、前記第２の閾値は、異常サンプルに対応するＶＯＣトレーニングサンプルのサブセットにおいて計算された第２の異常度を考慮して計算される、段階と、
    前記第２の閾値を超える第１の異常度に関連するテストサンプルを、異常なテストサンプルとして分類する段階と
    をさらに備える、請求項１７に記載のコンピュータ実装方法。
19. 異常なテストサンプルの前記第１の異常度に第３の閾値を適用する段階であって、前記第３の閾値は、異常なサンプルに対応するＶＯＣトレーニングサンプルのサブセットにおいて計算された第２の異常度を考慮して計算される、段階と、
    前記第３の閾値以下のテストサンプルを未見のＶＯＣサンプルとして分類する段階と、
    をさらに備える、請求項１８に記載のコンピュータ実装方法。
20. 前記異常なテストサンプルを分析する段階と、
    前記分析に応じて、前記既知のＶＯＣのデータベースを更新する段階と
    をさらに備える、請求項１８または１９に記載のコンピュータ実装方法。