特徴量空間のクラス重心を考慮した二値分類モデルによる異常音検知

• Item type: SIG Technical Reports(1)
• 公開日: 2021-02-24
• タイトル: 特徴量空間のクラス重心を考慮した二値分類モデルによる異常音検知
• タイトル / 言語: en
• タイトル: Anomalous Sound Detection Using a Binary Classification Model Considering Class Centroids
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: EA1
• 資源タイプ / 資源タイプ識別子: http://purl.org/coar/resource_type/c_18gh
• 資源タイプ: technical report
• 著者所属: 名古屋大学
• 著者所属: 名古屋大学
• 著者所属: 名古屋大学
• 著者所属: 名古屋大学
• 著者所属(英): en
• 著者所属(英): Nagoya University
• 著者所属(英): en
• 著者所属(英): Nagoya University
• 著者所属(英): en
• 著者所属(英): Nagoya University
• 著者所属(英): en
• 著者所属(英): Nagoya University
• 著者名: 畔栁, 伊吹; 林, 知樹; 武田, 一哉; 戸田, 智基
• 著者名(英): Ibuki, Kuroyanagi; Tomoki, Hayashi; Kazuya, Takeda; Tomoki, Toda
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 異常音検知システムでは，正常データのみを用いて未知の異常音を検知することが必要となる．一方で，異常音検知システムの運用を考慮すると，運用を通して蓄積され得る少量の異常データを活用し，性能向上を図ること ができるシステムが望ましい．これらを踏まえて，本研究では，正常データに加え，異常データの活用が容易であり，かつ，他のドメインに属する外れ値データを擬似的な異常データとして活用可能である二値分類モデルに着目する． 本稿では，この二値分類モデルに対して，新たに特徴量空間上での各クラスの重心からの距離関係を学習する損失関 数を導入する．クラス分類と距離学習のマルチタスク学習を行うことで，クラス間の線形分離を可能としつつ，クラス内分散が最小となり，クラス間分散が最大となるような特徴量空間への写像を獲得することが期待される．さらに， 少量の異常データの活用が二値分類モデルにおける異常音検知において有効であることを明らかにするため，学習に使用する異常データの量と性能の関係を調査する．異常音検知タスクであるDCASE 2020 Task 2 のデータセットを用いた実験的評価により，1) クラス分類と距離学習によるマルチタスク学習が有効であること，2) 特徴量空間上での各クラスの重心からの距離を考慮した損失関数が有効であること，そして，3) 少量の異常データの活用により性能が大幅に改善することを明らかにする．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In an anomalous sound detection system, it is necessary to detect unknown anomalous sounds using only normal sound data. On the other hand, considering the anomalous sound detection system’s operation, it is desirable to build a system that can also use a small amount of anomalous sound data accumulated through the operation. Therefore, we focus on a binary classification model that can easily use anomalous sound data as well as normal sound data while further using outlier data belonging to the other domain as pseudo-anomalous sound data. This report presents a new loss function based on metric learning for this binary classification, making it possible to learn the distance relationship from each class centroid in the feature space. The multi-task learning of classification and metric learning enables us to learn a mapping to the feature space where the within-class variance is minimized and the between-class variance is maximized while keeping normal and anomalous classes linearly separable. We also investigate the relationship between the amount of anomalous sound data used for training and the detection performance to clarify that the additional use of anomalous sound data is effective for further improving the binary classification model. Through the experimental evaluation with DCASE 2020 Task 2 dataset, we demonstrate that 1) multi-task learning of binary classification and metric learning is effective, 2) the loss function considering the distance from the class centroids in the feature space is also effective, and 3) using a small amount of anomalous sound data significantly improves the detection performance.
• 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: AN10442647
• 書誌情報: 研究報告音声言語情報処理（SLP）; 巻 2021-SLP-136, 号 25, p. 1-8, 発行日 2021-02-24
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8663
• Notice: SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc.
• 出版者 / 言語: ja
• 出版者: 情報処理学会