異常の判定（現在の異常検知）

異常検知として、現在のデータ（最新データ）について、「このデータは異常か？」という判定したいことがあります。

異常の探索（過去の異常検知）の方法は、この目的でも使えますが、異常の判定を実際にする時には、過去のデータの異常検知では考慮していなかったことを、加えた方が良いです。

現在の異常検知に使える方法を使う

異常の探索（過去の異常検知）は、正常と異常のデータが混ざっているところから始まって、正常と異常を分離する方法です。

過去のデータに最新データを加えて、異常の探索をすることで、最新データについて判定することはできます。しかし、異常の探索の方法は、計算量が大きいので、「最新データが出るたびに再計算」という使い方は、現実的ではないです。

また、「最新データが出るたびに再計算」という使い方をした場合、最新データで異常データが続き、異常データの数が増えると、それも正常ということになり、正しく判定できなくなることもあります。

この問題に対して、異常の探索の方法は２種類に分かれます。

最新データが出るたびに再計算をする必要がないグループは、正常と異常の違いを分けるモデルを作ることで、最小限の計算で判定ができます。

機械学習には、一括学習と逐次学習という分類があります。一括学習は「バッチ学習」、逐次学習は「オンライン学習」とも言います。

機械や製品には、正常な状態が決まっていることがあります。正常な状態が決まっている場合は、それを事前に一括学習して、モデルを作っておき、運用します。

機械の条件設定は、材料の状態や、環境の状態などで調整することがあります。その場合、「正常」という点は同じでも、その時によって、適切な値が違います。過去の正常状態が異常だったり、その逆もあります。

このような場合の異常検知では、その時の正常状態を把握しておいて、その正常状態に対して、判定する必要があります。