权益分类	功能权益	普通用户	{{item.name}}会员
{{category.name}}	{{benefitItem.name}}

疑似データ生成による異常検知性能向上と個人認証への応用

通过生成伪数据并将其应用于个人身份验证来提高异常检测性能

基本信息

批准号：
21K12022
负责人：
北村拓也
金额：
$ 2.33万
依托单位：
National Institute of Technology, Toyama College
依托单位国家：
日本
项目类别：
Grant-in-Aid for Scientific Research (C)
财政年份：
2021
资助国家：
日本
起止时间：
2021-04-01 至 2024-03-31
项目状态：
已结题

项目摘要

通常，正常データと異常データを分類する異常検知問題において，正常データに比べて異常データは収集が難しく，不均衡問題となりやすく，そのような問題においても異常データが多く得られた場合と同様の性能を示すようなアルゴリズムやシステムの構築は本分野においては重要であり，実用的であるといえる．本研究では，疑似データを生成することによる異常検知性能向上と個人認証システムへの応用を目的とし，① 少数の異常データと多数の正常データを基にした擬似異常データの生成，② 多数の正常データのみを基にした擬似異常データの生成，③ 少数の正常データを基にした擬似正常データの生成の3つの疑似データの生成方法を用いる．令和4年度は，主に②のアルゴリズムの確立と②のシステム構築と実験・考察を行った．多数の正常データを基にSVDDまたは複合カーネルを用いたSVMにより，外れ値領域を予測し，疑似異常データ生成を行った．実験では，異常検知用画像データを用いており，事前学習としてCNNモデルであるEfficientNetを用いてファインチューニングを行う．ファインチューニングの際，与えられたデータを全て用いると計算コストと検知精度の観点から非効率であることが確認されていたため，SVDDによりあらかじめ決定されたサポートベクトル又はそれら以外のデータのみでファインチューニングを行うことによる汎化能力と計算コストへの影響を確認し，有効性が確認できた．

In general, abnormal detection problems are classified as normal and abnormal, and abnormal detection problems are more difficult than abnormal detection problems. Unbalanced problems are more difficult than abnormal detection problems. In general, abnormal detection problems are more than abnormal detection problems. In general, abnormal detection This study aims to improve the performance of abnormal detection and the use of personal authentication system.(1) A few abnormal detection and most normal detection are based on pseudo-abnormal detection,(2) Most normal detection and most pseudo-abnormal detection are based on pseudo-abnormal detection, and (3) A few normal detection and most pseudo-normal detection are based on pseudo-normal detection. In the fourth year of the year, the main project was established and the construction of the project was investigated. Most of them are normal. SVDD is complex. SVM is used. In the case of abnormal detection, the image is used in the middle of the process. When the time comes, and the time comes, and the time comes,

项目成果

期刊论文数量（0）

专著数量（0）

科研奖励数量（0）

会议论文数量（0）

专利数量（0）

深層サポートベクトルデータ記述法（DSVDD）におけるファインチューニングの効率化と異常検知への適用

提高深度支持向量数据描述方法（DSVDD）微调效率并将其应用于异常检测

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
土尾崇太;北村拓也
通讯作者：
北村拓也

1クラス多層多重カーネル ELM の開発

1级多层多内核ELM的开发

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
田村明人;北村拓也;石倉優資，北村拓也
通讯作者：
石倉優資，北村拓也

機械学習・ディープラーニングによる“異常検知”技術と活用事例集（担当範囲：１章第５節サポートベクターマシンの基礎と異常検知，故障予測への活用)

使用机器学习和深度学习的“异常检测”技术和使用示例（负责范围：第一章第五节支持向量机基础知识及其在异常检测和故障预测中的应用）

DOI：
发表时间：
2022
期刊：
影响因子：
0
作者：
大石悠貴;北村拓也;センテンス間の連続性を考慮した SNS における感情分析;Yoshida Takeshi，Kitamura Takuya;Takaoka Shogo，Kitamura Takuya，Suzuki Aiga，Murakawa Masahiro;北村拓也，他69名
通讯作者：
北村拓也，他69名

Initialization Method of Batch Uniformization Auto Encoder by Principal Component Analysis

基于主成分分析的批量均匀化自动编码器初始化方法

DOI：
10.1109/ssci50451.2021.9660064
发表时间：
2021
期刊：
Proc. of the IEEE Symposium Series on Computational Intelligence (IEEE SSCI) 2021
影响因子：
0
作者：
Shogo Takaoka; Takuya Kitamura; Aiga Suzuki; Masahiro Murakawa
通讯作者：
Shogo Takaoka; Takuya Kitamura; Aiga Suzuki; Masahiro Murakawa

HSI分類問題における複合SVMの改良

HSI分类问题的复合SVM改进