taralino

Erkennung von Anomalien

Bei der Erkennung von Anomalien geht es darum, automatisiert fehlerhafte Objekte bzw. Daten zu identifizieren. Und auch dazu können Autoencoder eingesetzt werden: Es wird (eine ausreichend große) Menge an fehlerfreien Daten zum Trainieren eines Autoencoders verwendet. Nach der Trainingsphase können beliebige Eingangssignale ausgewertet werden und es wird die (durchschnittliche quadratische) Abweichung zwischen Eingangs- und Ausgangssignal verglichen. Dazu dient die folgende .deviation-Funktion:

Zur Referenz

Beim Anwendungsfall der Anomalieerkennung wird folgende Annahme getroffen:

Falls die durchschnittliche quadratische Abweichung der einzelnen Neuronen zwischen Eingangs- und Ausgangssignal einen gewissen Schwellwert überschreitet, dann handelt es sich beim Eingangssignal um fehlerhafte Daten (anderenfalls um fehlerfreie Daten).

Um die Erkennung von Anomalien zu erproben, nutzen wir das TinyRings-Datenpaket:

Zur Referenz

Das Paket beinhaltet drei Tabellen, wobei jede Zeile der Tabellen jeweils als 8 x 8 Schwarz-Weiß-Bild eines kleinen Ringes angesehen werden kann:

Tabelle	Zeilen	Beschreibung
train	1000	Bilder fehlerfreier Ringe zum Trainieren
conform	200	Bilder fehlerfreier Ringe zum Testen
anomly	200	Bilder fehlerhafter Ringe zum Testen

Die Tabelle train wird verwendet, um einen Autoencoder zu trainieren. Die Aufgabe besteht anschließend darin, dass die fehlerfreien Daten/Bilder der Tabelle conform auch als fehlerfrei (konform) sowie die fehlerhaften Daten/Bilder der Tabelle anomly auch als fehlerhaft (Anomalie) erkannt werden.

Im folgenden Beispiel wird (nach der Trainingsphase) die durchschnittliche quadratische Abweichung der Daten der Tabellen conform und anomly berechnet und dargestellt. Damit lässt sich auch ein Schwellwert zur Anomalieerkennung ableiten.

Beispiel

Trainings- und Testphase zur Erkennung von Anomalien.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="TinyRings.js"></script>
</head>
<body>
<script>

var X = TinyRings.train();
var V = TinyRings.conform();
var U = TinyRings.anomaly();

Autoencoder.init([64, 4], [4, 64]);
Autoencoder.progress(X, {iterations:2000, batch_size:20, learning_rate:0.5});

function on_training_done(T) {
  var A = [];
  for (var i = 0; i < V.length; i++) A.push( Autoencoder.deviation(V[i]) );

  var B = [];
  for (var i = 0; i < U.length; i++) B.push( Autoencoder.deviation(U[i]) );

  Plot.init(600, 360, {axis:["quadratische Abweichung","konform (blau), fehlerhaft (rot)"]});
  Plot.list(A);
  Plot.list(B);
  Plot.draw();
};

</script>
</body>
</html>

Vorschau Download Kopie speichern

Aufgabe

Natürlich können nicht nur Anomalien in Bildern identifiziert werden, sondern in beliebigen Datensätzen. Sammele Erfahrungen, indem du eine Erkennung von Anomalien unter Verwendung des MeasurementSeries-Datensatzes durchführst:

Zur Referenz