★異常データが無い・少ない場合や未知の異常を検出する方法、

オートエンコーダーとGANの使い分け、組み合わせ等のノウハウを詳解！

ディープラーニングによる

異常検知の基礎と実用化のポイント

【提携セミナー】

主催：株式会社技術情報協会

講座内容

・特徴量と特徴空間
・識別問題
・ニューラルネットワークの基礎
・異常サンプルがない場合の方法
・異常サンプルが少量ある場合の方法
・最新異常検知手法

習得できる知識

・ディープラーニングの基礎から異常検知の考え方が分かる
・異常サンプルがない場合と、少量のサンプルがある場合でのアプローチ
・最新手法、性能の評価方法が分かる

担当講師

岐阜大学 工学部 電気電子･情報工学科 教授　加藤 邦人氏

セミナープログラム（予定）

【講演概要】
近年、ディープラーニングによる画像認識は目覚ましい発展を遂げており、これらの成果は実利用の段階に入った。工場などの生産現場では、古くから画像認識による外観検査や異常検知が導入されているが、これらにディープラーニングを導入することで飛躍的な精度の向上を行った事例が報告されつつある。一方で、ディープラーニングを外観検査に応用する場合には、外観検査、異常検知ゆえの問題がある。本セミナーでは、ディープラーニングの基礎から、異常検知の考え方、異常検知の問題点、異常サンプルがない場合と、少量のサンプルがある場合でのアプローチ、最新手法、性能の評価方法についての講演を行う。

1 特徴量と特徴空間
1.1 特徴量とは
1.2 特徴空間
1.3 クラスの概念

2 識別問題
2.1 識別問題とは
2.2 線形識別法
2.3 異常検知の考え方

3 ニューラルネットワークの基礎
3.1 単純パーセプトロン
3.2 3層ニューラルネットワーク
3.3 畳み込みニューラルネットワーク

4 異常サンプルがない場合の方法
4.1 オートエンコーダ
4.1.1 オートエンコーダの基礎
4.1.2 畳み込みオートエンコーダ
4.1.3 オートエンコーダの復元による異常検知
4.2 Generative Adversarial Networks
4.2.1 GANの基礎
4.2.2 GANによる異常検知
4.3 Deep SVDD
4.3.1 Deep SVDDの基礎
4.3.2 Deep SVDDによる異常検知
4.3.3 オートエンコーダ＋Deep SVDD

5 異常サンプルが少量ある場合の方法
5.1 Adversarial Auto Encoderを用いた異常検知

6 最新異常検知手法

7 運用方法
7.1 データの集め方とデータの重要性
7.2 データ拡張
7.3 異常検知手法の選択方法
7.4 異常検知における性能評価（Confusion matrix、ROCカーブとAUC、性能評価法）
7.5 深層学習の判断根拠

8 ディープラーニングによる異常検知による実例と諸問題

公開セミナーの次回開催予定

開催日

未定

開催場所

未定

受講料

未定

技術情報協会主催セミナー　受講にあたってのご案内

• Live配信セミナーの接続確認・受講手順は こちら をご確認ください。
• お申込み・お支払い方法に関するご案内はこちら をご確認ください。

備考

資料は事前に紙で郵送いたします。

お申し込み方法

★下のセミナー参加申込ボタンより、必要事項をご記入の上お申し込みください。

※お申込後はキャンセルできませんのでご注意ください。

※申し込み人数が開催人数に満たない場合など、状況により中止させていただくことがございます。