OSUAD：FPGAを用いたオンライン逐次学習型教師なし異常検知器

• Item type: Trans(1)
• 公開日: 2019-07-29
• タイトル: OSUAD：FPGAを用いたオンライン逐次学習型教師なし異常検知器
• タイトル / 言語: en
• タイトル: OSUAD: An FPGA-Based Online Sequential Learning Unsupervised Anomaly Detector
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: FPGA，OS-ELM，教師なし異常検知
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_6501
• 資源タイプ: journal article
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属: 東京大学大学院情報理工学系研究科
• 著者所属: 慶應義塾大学大学院理工学研究科
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者所属(英): en
• 著者所属(英): Graduate School of Information Science and Technology, The University of Tokyo
• 著者所属(英): en
• 著者所属(英): Graduate School of Science and Technology, Keio University
• 著者名: 塚田, 峰登; 近藤, 正章; 松谷, 宏紀
• 著者名(英): Mineto, Tsukada; Masaaki, Kondo; Hiroki, Matsutani
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 教師なし異常検知は，モデルの学習時に異常データを必要としない異常検知手法であり，近年Backpropagation法を用いたニューラルネットワーク（以降，BP-NNと表記）を用いた手法が利用されている．これらの手法では，通常，あらかじめ用意した正常データを用いて異常検知モデルを学習する．その後，異常検知を行うデバイス群に学習済みモデルを配信し，デバイス側では推論のみを行う．この場合，学習に使用した正常データと実際に与えられる入力データの正常パターンの差異が問題となる．具体的には，(1) BP-NNは学習が収束するまで繰り返し学習をする必要があり，(2)各デバイスが置かれた環境の変動に対応するには，そのつど，再学習が必要となる．実際の現場では，モデルをそれぞれの環境に特化させることが望ましく，データの特徴は環境や時間とともに変動するため即時的なパラメータ更新が求められている．そこで本研究では，デバイス上で逐次学習ができるFPGAベースの教師なし異常検知器（OSUAD）を提案する．OSUADはニューラルネットワーク技術の1つであるオートエンコーダと高速な逐次学習アルゴリズムであるOS-ELMを組み合わせる．本研究では，OS-ELMの計算量的ボトルネックである逆行列計算を完全に消去することでさらなる高速化と省面積化を達成する．評価の結果，OSUADはローエンドなFPGAに実装可能なサイズでありながら，CPUとGPUを用いた実装と比較してそれぞれ平均2.47倍，4.95倍高速な学習処理を実現した．また，BP-NNを用いた異常検知モデルと比較して10分の1の学習エポック数で2.4%高いF値を実現した．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: Unsupervised anomaly detection is an anomaly detection approach where abnormal samples are not required to train models, and recently backpropagation-based neural networks (i.e., BP-NNs) have been used. Typically, the models are trained using normal data, and then the pretrained models are installed to devices that perform anomaly detection. The devices themselves perform only inference. In this case, however, difference between the normal data at training stage and actual normal patterns of input data in the deployed environment becomes an issue. More specifically, (1) BP-NNs have to train iteratively until the learning converges, and (2) retraining is required to follow the variation and fluctuation in a deployed environment. In reality, the model should be specialized for a deployed environment, and responsive update of parameters is required to follow the variation and fluctuation. In this paper, we propose an FPGA-based online sequential learning unsupervised anomaly detector, called OSUAD. The detector combines Autoencoder, one of neural-network-based models, and OS-ELM, a fast online sequential learning algorithm. OSUAD achieves faster training and smaller area by completely eliminating costly matrix inversions which are the computational bottlenecks. Evaluation results show that the training latency of OSUAD is faster than CPU and GPU implementations by 2.47x and 4.95x on average, while the detector can be implemented in a low-end FPGA device. It also achieves 2.4% higher f-measure than a BP-NN-based implementation in only 1/10 training epochs.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11833852
• 書誌情報: 情報処理学会論文誌コンピューティングシステム（ACS）; 巻 12, 号 3, p. 34-45, 発行日 2019-07-29
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 1882-7829
• 出版者 / 言語: ja
• 出版者: 情報処理学会