医療での画像診断や産業での欠陥検出において、期待される正常データから離れた異常データを検知したい要求がある。しかし、通常医療や産業においては異常データがあまり手に入らず、また手に入ったとしても異常の系統は異なることが多い。そこで正常データのみから学習して異常検知を行う教師なし異常検知が重要となる。深層学習を使った従来手法では、正常な訓練データのみの学習により、異常部位へは汎化されず再構成されない性質を用いて、再構成誤差を異常検出スコアとして検出する。深層生成モデルの一つとしてVAEでは、さらに対数尤度の下限を推定し統計的に論じることができる一方、異常検出の性能では Auto Encoder に劣り、また訓練データ以外で対数尤度が高くなってしまう問題が報告されている。本発表ではこの対数尤度について速度歪み理論からの理解、相互情報量を直接推定する生成モデルにより異常検知/分布外検知の提案、速度歪み平面上でのカーネル密度推定の提案を行う。提案手法が Auto Encoder よりも高い異常検出性能が得られることを示す。
