トピックス
深層学習とMTの違い
深層学習


どのパターンに近いか
MT法
正常パターンに近いか
(単位空間)
MT法と深層学習の違いについて、構造面と特性面からご説明します。
構造の違い
深層学習の構造は、入力部と出力部の間に多数の細胞(ニューロン)と結合強度(シナプス)を持ちます。既知データ(教師データ)を学習することにより、細胞のパラメータや結合強度が変わります。複数の状態を学習する場合は、出力部には複数の細胞が用意され、判定対象のデータが入力されると、「学習した中の、どのパターンに近いか」を出力します。
一つの値を推定する場合は、出力部には1個の細胞が用意され、その値が推定値になります。
なお、学習によって細胞間の結合強度を徐々に変えるため、膨大な繰り返し計算を行います。
MT法の構造は、正常パターンから求めた相関ネットワークとなります。左図では7項目間の相関の大きさを、結ばれる線の太さで表しています。判定対象のデータが入力されると、マハラノビス距離が出力されます。マハラノビス距離はゼロ以上の値であり、一般に「4を超えると正常パターンとは異なる」と判定されます。
なお、MT法では相関の集まり(相関行列)の逆行列が学習結果に対応しますので、計算量はそれほど多くはありません。課題にも依存しますが、一般的に深層学習の 1,000分の1 以下の計算量です。
特性の違い
深層学習はきわめて多くのパターンを、一つのネットワークで学習します。そのため、画像・文字・言葉などの分類問題で威力を発揮します。その反面でネットワークの規模が大きくなると計算量(メモリ・時間)をかなり必要とします。
また、学習したネットワークの結合強度の大きさの意味を理解することができません。そのため、判定結果について原因診断ができず、ブラックボックスAIと呼ばれています。
MT法はただ1種類の状態(正常状態)だけを学習します。もし多くの状態を学習する場合には、その数ぶんの単位空間を作成します。
製造業の仕事、たとえば工場や機器の稼働監視や製品検査では、正常状態がいつも通り普通であり、異常はさまざまで未知の異常もあり得ます。つまり、異常状態を完全に網羅することは不可能です。そのため、正常状態だけを学習し、“正常ではないこと”が発生した場合にのみ、警報を出す用途などには、MT法は非常に適しています。
また、MT法では異常と判定された場合の原因診断が可能です。どの項目がいつもと違っていたのか、あるいは複数項目のバランスが違っていたのかを明瞭に提示します。ですから、ホワイトボックスAIと呼ばれています。

( 本 社 ) 061-1134 北海道北広島市広葉町2丁目2-7
(札幌事務所) 060-0001 札幌市中央区北1条西3丁目 敷島プラザビル4階

ページの先頭に戻る
Copyrightc 2019 AngleTry Associates. All rights reserved.