トヨタ: 製造現場が自らモデル生成できる "AI プラットフォーム" を Google Cloud とのハイブリッド クラウドで開発・運用 急激な EV シフトや MaaS の拡大など、まさに今、激変の時代にある自動車業界。そうした中、販売台数世界一(※)の座に 3 年連続で君臨するトヨタ自動車株式会社(以下、トヨタ)は、その生産力を強化する手段の 1 つとして AI を重視。製造現場が自ら AI モデルを開発できるという "AI プラットフォーム" を内製することで、実務に即した AI 活用、現場レベルでの AI 民主化を後押しできるようになったと言います。そこに Google Cloud がどのように活用されているのか、開発チームメンバーにお話を伺いました。 利用しているサービス: Google Kubernetes Engine, Anthos Attached clusters,
異常検知について勉強したのでまとめておきます。 参考文献 下記文献を大いに参考にさせていただきました: [1] Ruff, Lukas, et al. "A Unifying Review of Deep and Shallow Anomaly Detection." arXiv preprint arXiv:2009.11732 (2020). [2] 井手. "入門 機械学習による異常検知―Rによる実践ガイド" コロナ社(2015) [3] 井手,杉山. "異常検知と変化検知 (機械学習プロフェッショナルシリーズ)" 講談社サイエンティフィク(2015) [4] 比戸. "異常検知入門" Jubatus Casual Talks #2(2013) [5] Pang, Guansong, et al. "Deep learning for anomaly detection: A rev
生成モデルによる異常検知は,正常画像のみで学習したモデルで,入力画像と再構成画像の差異により異常画像であるかどうかを判断する方法が一般的である.しかし,既存の生成モデルでは再構成画像が不鮮明であったり,元の画像から回転するなどの問題がありパッチベースのモデルや潜在変数空間を使用したモデルに比べて異常検知の性能が劣っている.工業用製品における欠陥品の検出など現実世界の異常検知では,検出対象の物体の向きが同一でないことや,再構成画像が不鮮明なことによる微小な傷の見逃しにより,既存の生成モデルでは異常の検出に失敗することがある. そこで,我々は鮮明な再構成が可能であるDenoising Diffusion Probabilistic Models(DDPM)をベースのモデルとして,異常検知で拡散過程を使用しない方法により,画像データの回転に対して頑健な異常検知を可能にした.本研究では工業用製品の
去る 7/21(木) に行われた「異常検知と変化検知」輪読会で論文紹介をさせていただきました。 タイトルは「非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出」で、資料は SlideShare に上げています。 非制約最小二乗密度比推定法 uLSIF を用いた外れ値検出 from hoxo_m 本発表で紹介した論文は下記です。 Hido+ (2011) Statistical Outlier Detection Using Direct Density Ratio Estimation 『異常検知と変化検知』「第11章 密度比推定による異常検知」では、密度比推定法として カルバック・ライブラー密度比推定法 KLIEP (Sugiyama+ 2008) 最小2乗密度比推定法 LSIF (Kanamori+ 2009) が紹介されていますが、LSIF を進化させた uLSIF という手
はじめに 先の記事 tam5917.hatenablog.com にてカーネルPCAに基づく外れ値検知を実装したが、計算量が多く使い物にならない。 そこで本記事では、 tam5917.hatenablog.com の記事にある、データセットのサブサンプリングを組み込むことで計算量を減らしつつ、検知性能がどの程度キープされるかを簡単に確認してみた。 実装 実装は以下の通り。 ここをクリックしてコードを表示する gist.github.com 検証 サブセットのサイズは、元のデータセットの20%になるようにランダムサンプリングした。以下がそのノートブックである。 gist.github.com KPCA(SP)がサブセットのサンプリング版である。サンプル数の多いデータセットほど時間削減の幅は大きい(mnist、optdigits、pendigits、satellite、satimage-2)。
異常検知AIのアダコテック、”少ないデータで異常を検知し、判断理由を見える化する”異常検出アルゴリズムに関する国際的な特許を取得 「HLAC(エイチラック)」特徴抽出法※1を用いた画像解析によりモノづくりの検査・検品の自動化を促進する株式会社アダコテック(本社:東京都千代田区、代表取締役:河邑 亮太、以下、アダコテック)は、少ないデータでの異常検知を検知し、判断理由を見える化するプログラムに関する国際的な特許を取得しましたので、お知らせいたします。 ■アダコテックについて アダコテックは、国立研究開発法人産業技術総合研究所(以下、産総研)が開発した「HLAC(エイチラック)特徴抽出法」を用いた画像解析技術を軸に、従来よりも効率的な異常検知を可能とする外観検査ソフトウェアを提供しているテクノロジーカンパニーです。これまでの実績としては、大手自動車部品メーカーをはじめとする複数社の製造業の実ラ
はじめに 異常検知を現実的問題に適用する時の問題として、異常クラスの多さと未知の異常の存在があります。とある設備を点検する上で、人間による目視点検ではおかしいと気づける状態を明確に分類、記述しようとすると物凄いたくさんのパターンの異常状態を定義する必要があります。また、設備を運用していく中で、想定していなかった新たな異常が発生する場合もあります。 したがって、異常検知のアルゴリズムとして未知の異常の検出と、検出した未知の異常を一つのクラスとして分類、記憶していくことが必要となります。正常データを基準にして異常を判定するアルゴリズムはたくさんありますが、未知データにラベル付をしていくアルゴリズムは多くありません。 この記事では検出した異常をクラス分類し、ラベルを付けていくアルゴリズムの一つとして適応共鳴理論(Adaptive Resonance Theory)を紹介します。 参考 Leona
はじめに 異常検知と変化検知 / 井手 剛・杉山 将 難易度 3 入門機械学習による異常検知 / 井手 剛 難易度 2 pythonによる異常検知 / 曽我部 東馬 難易度 1 まとめ はじめに 今回は統計・機械学習の実用的な応用として異常検知をテーマにした本を3冊紹介します。3冊紹介しますと言いつつ異常検知の本を読み漁ったわけではなく、この3冊しか私自身所持しておりませんのでその点はご留意を。 今回の3冊はそれぞれ数学の難易度がいい感じに並べられるので、それぞれの具合に合わせて手にとってみると良いと思います。 ちなみに難易度の数字は、PRMLが4でベイズ推論による機械学習入門(須山ベイズ)が3.5くらいの感覚で書いています。 異常検知と変化検知 / 井手 剛・杉山 将 難易度 3 異常検知と変化検知 (機械学習プロフェッショナルシリーズ) 作者:井手剛,杉山将発売日: 2015/12/0
Stochastic Online Anomaly Analysis for Streaming Time Series (IJCAI 2017) https://doi.org/10.24963/ijcai.2017/445 Student-t process を使ったストリーミング時系列に対する新しい異常検知手法を提案する。 時系列関数が Student-t process に従うと仮定し予測分布を推定する。 得られた予測分布に対して実際の観測値が確率 p の予測区間から外れた場合を異常とみなす。 モデルの学習はフルベイズで行われ、カーネル関数の持つハイパーパラメータについても学習する。 (カーネル関数の選択はある程度重要になってくると思われるが論文中では選択法については触れていない) 通常はバッチ学習だがストリーミングデータに対応するために SGD を用いたオンライン学習手法に改変す
さて、気紛れから始まったこのシリーズですが。今回は第2章を取り上げます。 入門 機械学習による異常検知―Rによる実践ガイド 作者: 井手剛出版社/メーカー: コロナ社発売日: 2015/02/19メディア: 単行本この商品を含むブログ (4件) を見る 多変量かつ非正規データの異常検知は少し後の方になるので、例のwater treatment plantのデータセットを持ち出すのは後回しにして、今回は適当に生成したデータセットを使うことにしました。 ちなみに、今回のシリーズではあまりあれこれ引用しまくると引用の範囲を超えてしまいそうな気がしたので(笑)、要点をちろっとまとめてRスクリプトを並べるだけに留めておきます。故に、皆さんご自身がお手元で試される場合には必ず井手先生のテキストをご用意下さい、ということで。 ホテリングの(1次元) これはオーソドックスに正規分布する1次元のデータの中か
cvpaper.challengeはコンピュータビジョン分野の今を映し、トレンドを創り出す挑戦です。論文サマリ・アイディア考案・議論・実装・論文投稿に取り組み、凡ゆる知識を共有しています。 http://xpaperchallenge.org/cv/ 本資料はViEW2021チュートリアルセッション「最新研究の始め方」のプレゼン素材です。また、xpaper.challengeの2020年末ワークショップとしてプレゼンした「研究効率化Tips」の拡張版です。本資料では3社12研究室300ページにわたるノウハウの詰め合わせです。 VIEW2021のチュートリアルセッションでは時間の制限があるため、こちらの資料から一部抜粋して発表を行うことになりますが、VIEW2021チュートリアルセッションの方にも足を運んでいただければ幸いです。 VIEW2021チュートリアルセッション:http://vie
インターン生の松井(B4)です.時系列データの異常検知手法をまとめました. 入門 機械学習による異常検知という本の7章が時系列データの異常検知を扱っています.(本書の内容をまとめたWeb記事もあります.) www.coronasha.co.jp この本のサンプルコードはすべてRで書かれているため,Python (+numpy, scikit-learn) で書き直してみました. 後半では,深層学習を用いた時系列データの異常検知手法について,知られている所をまとめました. k近傍法による異常部位検出 特異スペクトル変換法による変化点検知 深層学習を用いた異常検知手法 LSTM (Long short-term memory) を用いた手法 Autoencoder (自己符号化器) を用いた手法 結び k近傍法による異常部位検出 時系列データの異常検知手法の中でも比較的シンプルなやり方です.
本スライドは、弊社の梅本により弊社内の技術勉強会で使用されたものです。 近年注目を集めるアーキテクチャーである「Transformer」の解説スライドとなっております。 "Arithmer Seminar" is weekly held, where professionals from within and outside our company give lectures on their respective expertise. The slides are made by the lecturer from outside our company, and shared here with his/her permission. Arithmer株式会社は東京大学大学院数理科学研究科発の数学の会社です。私達は現代数学を応用して、様々な分野のソリューションに、新しい高度AIシステム
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く