大規模生産における外観検査では異常を伴う製品のサンプルを収集することが困難であるため，正常サンプルのみを用いた1クラス分類に基づく手法が注目を集めている．しかし，事前に正常パターンを記憶することで異常検知を行う手法においては，学習に用いる正常画像が増えるほど計算量が増加する課題が生じる．この課題を解決するためにサブサンプリングを用いた手法が提案されているが，これらはデータ分布の構造を活用していないため，正常パターンを表現するような特徴量を適切に選択している保証がない．本研究では，正常パターンを表現するために重要な特徴量のみを記憶するために，異常検知のための部分空間構造に基づいた特徴量選択を提案する．提案手法では，Nearest Subspace Neighbor (NSN)に基づき，貪欲的に最近傍部分空間を構成し特徴量を選択することで，少ないサンプル数で正常パターンを捉えることを実現する．実環境ベンチマークの評価実験において，提案手法は少数の選択された特徴量を用いた場合でも，全てのサンプルを使用した場合と同等の異常検知精度であることを示す．
