★異常検知のための前処理と特徴抽出、識別モデルによる外れ値検知、成AIによる異常検知…

基礎から実践まで分かりやすく解説します！

人工知能による異常検知入門

≪GoogleColabで学ぶ実践ハンズオン≫

【提携セミナー】

主催：株式会社技術情報協会

講座の趣旨

AIによる異常検知の多様な手法とその特徴を解説します。統計的手法による基礎から、識別モデルによる 外れ値検知、生成AIを用いた最新のアプローチまでを扱い、異常検知理論とアルゴリズムを網羅的に理解します。さら に、Google Colab上でPyCaretやPyODなどの異常検知フレームワークを活用した演習(※)を通じて、応用力のある知 識の習得を目指します。最後に、研究論文などをもとに実際の異常検知事例をレビューし、実践的な活用への理解を深 めます。 ※ 講義画面(zoom等)と演習画面（ブラウザ）を同時に表示可能なデュアル環境もしくは２端末での受講をお勧めしま すが、演習部分は講義後にご自身で取り組んでいただくこともできます。

担当講師

横浜国立大学大学院工学研究院 教授　濱上 知樹氏

【講師略歴】
千葉大学工学部卒業後、企業研究所勤務を経て千葉大学大学院博士課程修了（博士（工学））、2001年千葉大学助手、2004年横浜国立大学准教授、2008年同教授。人工知能・機械学習を専門とし、医療・社会システムの知能化をめざす知能システムエンジニアリング分野を推進している。

セミナープログラム（予定）

１．異常検知概論
1.1 異常検知とは何か
（１）正常・異常・外れの定義
（２）異常検知の応用分野
1.2 異常検知技術の歴史
1.3 AIによる異常検知

２．異常検知のための前処理と特徴抽出
2.1 前処理
2.2 特徴量と次元、多様体仮説
2.3 距離
2.4 基底分解
2.5 線形問題・非線形問題
2.6 異常検知の評価

３．統計的手法による異常検知
3.1 基本統計量と分布
（１）平均・分散・正規分布
（２）zスコア・箱ひげ図
3.2 閾値ベースの検知手法
（１）zスコアによる外れ値検知
（２）Grubbs検定・IQR法
3.3 時系列データへの扱い
（１）移動平均と異常検知
（２）季節性のあるデータの取り扱い

４．機械学習による異常検知
4.1 密度ベース外れ値検知
（１）k近傍法（k-NN）
（２）LOF（局所外れ値因子）
（３）ABOD
（４）その他
　　4.2 クラスタリングベース外れ検知
（１）K-means
（２）DBSCAN
（３）その他
4.3 非線形外れ検知
（１）one class SVM
（２）isolation forest
（３）AutoEncoder
（４）深層学習
（５）その他

５．生成モデルを用いた異常検知
5.1 生成オートエンコーダ
（１）再構成誤差
（２）デノイジングオートエンコーダ
5.2 変分オートエンコーダ（VAE）
（１）潜在変数空間
（２）潜在変数空間における異常検知
5.3 GAN
（１）GANの原理
（２）AnoGAN
5.4 拡散モデル
（１）拡散モデルの原理
（２）拡散モデルを用いた異常検知

６．応用と実践事例
6.1 産業・生産における異常検知
6.2 医療・ヘルスケア分野における異常検知
6.3 サイバーセキュリティにおける異常検知
6.4 論文レビュー

７．まとめと今後の展望
7.1 異常検知手法の選び方
7.2 今後の異常検知と研究課題

【質疑応答】

公開セミナーの次回開催予定

開催日

【Live配信】2025/9/30（火）　10:30~16:30

【アーカイブ配信】 2025/10/9まで受け付け（視聴期間:10/9~10/19まで）

開催場所

Zoomを利用したLive配信 または アーカイブ配信

受講料

1名につき ５５,０００円（消費税込、資料付）

〔１社２名以上同時申込の場合のみ１名につき４９,５００円〕

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。

★【LIVE配信】、【アーカイブ配信】のどちらかご希望される受講形態をメッセージ欄に明記してください。

※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。