JP7372876B2 - 異常検出システム、異常検出装置及び異常検出方法 - Google Patents
異常検出システム、異常検出装置及び異常検出方法 Download PDFInfo
- Publication number
- JP7372876B2 JP7372876B2 JP2020090368A JP2020090368A JP7372876B2 JP 7372876 B2 JP7372876 B2 JP 7372876B2 JP 2020090368 A JP2020090368 A JP 2020090368A JP 2020090368 A JP2020090368 A JP 2020090368A JP 7372876 B2 JP7372876 B2 JP 7372876B2
- Authority
- JP
- Japan
- Prior art keywords
- analysis model
- clustering analysis
- cloud
- edge
- detection device
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims description 242
- 238000004458 analytical method Methods 0.000 claims description 244
- 230000005856 abnormality Effects 0.000 claims description 112
- 230000003068 static effect Effects 0.000 claims description 52
- 230000006835 compression Effects 0.000 claims description 42
- 238000007906 compression Methods 0.000 claims description 42
- 238000000034 method Methods 0.000 claims description 38
- 238000012545 processing Methods 0.000 claims description 37
- 230000008569 process Effects 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 33
- 238000004891 communication Methods 0.000 claims description 25
- 238000012795 verification Methods 0.000 claims description 20
- 238000000605 extraction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 6
- 239000000203 mixture Substances 0.000 claims description 6
- 239000000284 extract Substances 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 2
- 238000007726 management method Methods 0.000 description 22
- 230000009467 reduction Effects 0.000 description 17
- 238000010586 diagram Methods 0.000 description 13
- 238000007781 pre-processing Methods 0.000 description 10
- 230000001360 synchronised effect Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 6
- 230000006870 function Effects 0.000 description 4
- 230000002427 irreversible effect Effects 0.000 description 3
- 230000002441 reversible effect Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008867 communication pathway Effects 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
Images
Landscapes
- Testing Of Devices, Machine Parts, Or Other Structures Thereof (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Description
上記した以外の課題、構成及び効果は、以下の実施形態の説明により明らかにされる。
(ハードウェア構成)
異常検出システム200は、工場やデータセンター等の施設に配置されているエッジ側異常検出装置210とクラウド側異常検出装置230との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化し、正確な異常検出結果を提供するためのシステムである。
更に、図2に示すように、第1のストレージ部217は、異常検出処理の際に用いられる第1のクラスタリング分析モデルを含む。本発明の実施形態に係るクラスタリング分析モデルは、音響信号の特徴量の正常の分布を示す、正常特徴量分布モデルであってもよい。また、第1のクラスタリング分析モデルは、第1の静的クラスタリング分析モデル218と、第1の動的クラスタリング分析モデル219とを含む。第1の静的クラスタリング分析モデル218及び第1の動的クラスタリング分析モデル219は、例えば、ウッドベリーの逆行列の補助定理を用いるFIGMM(Fast Incremental Gaussian Mixture Model)であってもよい。
より具体的には、FIGMMは、入力されたデータポイントに対応する分布コンポーネントからなるガウス混合モデルである。モデルによって同化される各データポイントは、データの尤度の最大値に基づいてモデルパラメーターの逐次更新に貢献する。これらのパラメータは、各データポイントから抽出された関連情報の蓄積に基づいて更新される。新しいポイントが既存のガウスコンポーネントに直接追加されるか、必要に応じて新しいコンポーネントが作成され、適応共鳴理論(ART)アルゴリズムに用いられるマージ及び分割操作が不要となる。
第1の静的クラスタリング分析モデル218は、第1の動的クラスタリング分析モデルに含まれるデータの内、一部のみ(例えば、所定の期間に該当する音響信号の特徴)を含み、パラメータが固定されているモデルであり、異常検出処理の際に用いられるモデルである。第1の静的クラスタリング分析モデル218は、(例えば、同期化を行う際等に)第1の動的クラスタリング分析モデル219の特定のデータに基づいて更新されてもよい。
なお、ここでのエッジスコア及びクラウドスコアは、異常が存在する確率をパーセントとして表現してもよく、0~1の範囲内の数値として表現してもよい。
更に、図2に示すように、第2のストレージ部237は、異常検出処理の際に用いられる第2のクラスタリング分析モデルを含む。この第2のクラスタリング分析モデルは、第2の静的クラスタリング分析モデル238と、第2の動的クラスタリング分析モデル239とを含む。第2の静的クラスタリング分析モデル238及び第2の動的クラスタリング分析モデル239は、例えば、ウッドベリーの逆行列の補助定理を用いるFIGMMモデルであってもよい。
なお、第2のストレージ部237に格納されている特徴及びタイムスタンプの情報は、第1のストレージ部217に格納されている特徴及びタイムスタンプの情報と実質的に同様であるため、後述するように、エッジ側のクラスタリング分析モデルを同期化する際には、エッジ側及びクラウド側の両方で同一の訓練用データが利用可能である。
そのため、上述したように、音響信号の特徴を通信する際のロス等により、第2の静的クラスタリング分析モデル238及び第2の動的クラスタリング分析モデル239と、第1の静的クラスタリング分析モデル218及び第1の動的クラスタリング分析モデル219とが互いにズレてしまい、確実な異常検出結果が得られなくなることがある。
従って、後述するように、本発明では、エッジ側異常検出装置とクラウド側の異常検出装置との異常検出結果の乖離度に基づいてエッジ側異常検出装置及びクラウド側の異常検出用のモデルを互いに同期化することで、正確な異常検出結果を提供することができる。
なお、説明の便宜上、図3では、エッジ側異常検出装置210及びクラウド側の異常検出装置230の機能部の一部を省略しているが、実際には、図3に示すエッジ側異常検出装置210及びクラウド側異常検出装置230の構成は、図2に示すエッジ側異常検出装置210及びクラウド側異常検出装置230と実質的に同様である。
より具体的には、クラウド側異常検出部234は、第2の静的クラスタリング分析モデル238を用いて音響信号360の圧縮特徴364を分析することで、当該音響信号360において異常が存在する確率を示すクラウドスコア366を計算し、このクラウドスコア366が所定のクラウドスコア基準を満たす場合に、異常警告を出力してもよい。この異常警告は、音響信号において異常が存在することを知らせる通知であり、クラウド側異常検出装置230の管理者等に送信されてもよい。
なお、上述したように、同期検証部235は、エッジスコア362とクラウドスコア366とを所定のアルゴリズム(後述する数式3及び数式6)によって比較することで、第1の動的クラスタリング分析モデル219と第2の動的クラスタリング分析モデル239との乖離度を定量化することができる。ここでの「乖離度」とは、第1の動的クラスタリング分析モデル219と第2の動的クラスタリング分析モデル239とが互いに離れている度合いを示す尺度である。
なお、クラスタリング分析モデルの更新処理の詳細については後述する。
ここでは、FIGMMとは、ガウス混合モデルにおけるEM(expectation maximization)アルゴリズムを近似するためのアルゴリズムである。FIGMMでは、過去のデータ点に頼らずに、各データ点の入力後、連続して入力されるすべてのデータに一致する結合入出力空間(joint input-output space)の確率モデルが作成され、継続的に更新される。すなわち、FIGMMは、所定の量のデータが収集されないと訓練を開始できない従来のモデルと異なり、新たなデータが入力される度に動的に訓練されるガウス混合モデルである。このFIGMMを用いることにより、第1の動的クラスタリング分析モデル及び第2の動的クラスタリング分析モデルは、大量の学習データを収集しないと訓練できない従来のバッチ型GMMに比べて、学習データを格納するためのメモリ容量を抑え、処理速度を向上させることができる。
以下では、本発明の実施形態に係るFIGMMを訓練する処理400について説明する。
以上説明した訓練処理を用いることで、本発明の実施形態に係る第1の動的クラスタリング分析モデル及び第2の動的クラスタリング分析モデルがリアルタイムで動的に訓練されると共に、学習データを格納するためのメモリ容量を抑え、処理速度を向上させることができる。
なお、第1の静的クラスタリング分析モデルは、例えば上述した数式1を用いて解析対象の音響信号が事前に用意された正常モデルに含まれる確率を計算し、この確率に基づいてエッジスコアを計算してもよい。
また、上述したように、同期検証処理の結果、エッジ側の第1の動的クラスタリング分析モデルと、クラウド側の第2の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定された場合、クラウド側異常検出装置は、第2の動的クラスタリング分析モデルの更新処理を開始すると同時に、モデル更新通知をエッジ側異常検出装置に送信することができる。
以下、クラウド側異常検出装置は、エッジ側の第1の動的クラスタリング分析モデルと、クラウド側の第2の動的クラスタリング分析モデルとの乖離度が所定の乖離度基準を満たすと判定し、モデル更新通知をエッジ側異常検出装置に送信した場合の処理について説明する。
なお、この第1の時刻は、第1の動的クラスタリング分析モデルと第2の動的クラスタリング分析モデルとの乖離度が所定の値以下の時刻(つまり、実質的に同期している状態の時刻)であることが望ましい。
なお、図5には例示しないが、エッジ側の第1の動的クラスタリング分析モデルが第1の時刻までの時刻に対応する音響信号の特徴に基づいて訓練されると同様に、クラウド側の第2の動的クラスタリング分析モデルも、第2のストレージ部に格納されている音響信号特徴の情報の中から、同じ第1の時刻までの時刻に対応する音響信号の特徴(第1の訓練用データ)に基づいて訓練される。これにより、エッジ側の第1動的クラスタリング分析モデルと、クラウド側の第2の動的クラスタリング分析モデルとが、互いに実質的に同期していた時刻までの音響信号の特徴(すなわち、同一の訓練用情報)に基づいて訓練されるため、改めて互いに同期している状態となる。
これにより、第1の静的クラスタリング分析モデル及び第2の静的クラスタリング分析モデルは改めて互いに同期している状態となり、これらのモデルを用いた異常検出処理が確実に行われる。
より具体的には、エッジスコアesとクラウドスコアcsと所定の乖離度基準εとの関係が以下の数式3を満たす場合には、第1の動的クラスタリング分析モデルと第2の動的クラスタリング分析モデルとが互いに同期していると判定されてもよい。
これにより、第1の静的クラスタリング分析モデル及び第2の静的クラスタリング分析モデルは改めて互いに同期している状態となり、これらのモデルを用いた異常検出処理が確実に行われる。
213 ノイズ軽減部
214 特徴抽出部
215 エッジ側異常検出部
216 特徴圧縮部
218 第1の静的クラスタリング分析モデル
219 第1の動的クラスタリング分析モデル
230 クラウド側異常検出装置
233 前処理部
234 クラウド側異常検出部
235 同期検証部
236 ユーザ管理部
237 第2のストレージ部
238 第2の静的クラスタリング分析モデル
239 第2の動的クラスタリング分析モデル
360 音響信号
362 エッジスコア
364 圧縮特徴
366 クラウドスコア
Claims (10)
- 所定の施設に配置されている異常検出対象の機器と、
前記施設に配置され、前記異常検出対象の機器から取得した音響信号を分析するエッジ側異常検出装置と、
通信ネットワークを介して前記エッジ側異常検出装置に接続されているクラウド側異常検出装置と、
からなる異常検出システムであって、
前記エッジ側異常検出装置は、
第1のクラスタリング分析モデルを含む第1のストレージ部と、
前記異常検出対象の機器から取得した前記音響信号の特徴を抽出する特徴抽出部と、
前記特徴を前記第1のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すエッジスコアを計算し、前記エッジスコアが所定のエッジスコア基準を満たす場合に、異常警告を出力するエッジ側異常検出部と、
前記特徴を圧縮し、圧縮特徴を生成する特徴圧縮部と、
前記圧縮特徴と、前記エッジスコアとを前記クラウド側異常検出装置に送信する第1の通信部と、
を含み、
前記クラウド側異常検出装置は、
第2のクラスタリング分析モデルを含む第2のストレージ部と、
前記圧縮特徴と前記エッジスコアとを受信する第2の通信部と、
前記圧縮特徴を第2のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力するクラウド側異常検出部と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第1のクラスタリング分析モデルと前記第2のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第1のクラスタリング分析モデル及び前記第2のクラスタリング分析モデルに対する更新処理を行う同期検証部と、
を含む異常検出システム。 - 前記第1のストレージ部及び前記第2のストレージ部は、
前記圧縮特徴と、前記圧縮特徴が抽出された時刻を示すタイムスタンプとを対応付けて格納する、
ことを特徴とする、請求項1に記載の異常検出システム。 - 第1の静的クラスタリング分析モデルと、第1の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記同期検証部は、
前記第1の静的クラスタリング分析モデルの更新を指示し、少なくとも第1の時刻を指定する第1のモデル更新通知を前記エッジ側異常検出装置に送信し、
前記第1のモデル更新通知を受信した前記エッジ側異常検出装置は、
前記第1の動的クラスタリング分析モデルを、前記第1のストレージ部に格納され、且、前記第1の時刻に対応する第1の訓練用データに基づいて訓練し、
前記第1の静的クラスタリング分析モデルを前記第1の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項2に記載の異常検出システム。 - 前記第2のクラスタリング分析モデルは、
第2の静的クラスタリング分析モデルと、第2の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記クラウド側異常検出装置は、
前記第2の動的クラスタリング分析モデルを、前記第2のストレージ部に格納され、且、前記第1の時刻に対応する第1の訓練用データに基づいて訓練し、
前記第2の静的クラスタリング分析モデルを前記第2の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項3に記載の異常検出システム。 - 前記クラウド側異常検出装置は、
ユーザ管理部を更に含み、
前記ユーザ管理部は、
ユーザの入力に基づいて、前記第2のストレージ部に格納されている複数のモデル候補の中から、特定のモデル候補を前記第2の動的クラスタリング分析モデルとして設定し、
前記第1のクラスタリング分析モデルの更新を指示し、前記第2の動的クラスタリング分析モデルの訓練に用いられた第2の訓練用データに対応する第2の時刻を指定する第2のモデル更新通知を前記エッジ側異常検出装置に送信し、
前記第2のモデル更新通知を受信した前記エッジ側異常検出装置は、
前記第1の動的クラスタリング分析モデルを、前記第1のストレージ部に格納され、且、前記第2の時刻に対応する第2の訓練用データに基づいて訓練し、
前記第1の静的クラスタリング分析モデルを前記第1の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項4に記載の異常検出システム。 - 前記第1の動的クラスタリング分析モデル及び前記第2の動的クラスタリング分析モデルは、
ウッドベリーの逆行列の補助定理を用いるFIGMM(Fast Incremental Gaussian Mixture Model)である、
ことを特徴とする、請求項5に記載の異常検出システム。 - 第1のクラスタリング分析モデルによって計算される音響信号において異常が存在する確率を示すエッジスコアと、前記音響信号から抽出され、圧縮された圧縮特徴とを受信する転送部と、
第2のクラスタリング分析モデルを含む第2のストレージ部と、
前記圧縮特徴を前記第2のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力するクラウド側異常検出部と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第1のクラスタリング分析モデルと前記第2のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第1のクラスタリング分析モデル及び前記第2のクラスタリング分析モデルに対する更新処理を行う同期検証部と、
を含む異常検出装置。 - 前記第2のストレージ部は、
前記圧縮特徴と、前記圧縮特徴が抽出された時刻を示すタイムスタンプと対応付けて格納し、
前記第1のクラスタリング分析モデルは、
第1の静的クラスタリング分析モデルと、第1の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記同期検証部は、
前記第1の静的クラスタリング分析モデルの更新を指示し、少なくとも第1の時刻を指定するモデル更新通知を前記第1のクラスタリング分析モデルに送信する、
ことを特徴とする、請求項7に記載の異常検出装置。 - 前記第2のクラスタリング分析モデルは、
第2の静的クラスタリング分析モデルと、第2の動的クラスタリング分析モデルとを含み、
前記乖離度が所定の乖離度基準を満たす場合に、
前記異常検出装置は、
前記第2の動的クラスタリング分析モデルを、前記第2のストレージ部に格納され、且、前記第1の時刻に対応する第1の訓練用データに基づいて訓練し、
前記第2の静的クラスタリング分析モデルを前記第2の動的クラスタリング分析モデルに基づいて更新する、
ことを特徴とする、請求項8に記載の異常検出装置。 - 第1のクラスタリング分析モデルによって計算される音響信号において異常が存在する確率を示すエッジスコアと、前記音響信号から抽出され、圧縮された圧縮特徴とを受信する工程と、
前記圧縮特徴を第2のクラスタリング分析モデルによって分析することで、前記音響信号において異常が存在する確率を示すクラウドスコアを計算し、前記クラウドスコアが所定のクラウドスコア基準を満たす場合に、異常警告を出力する工程と、
前記エッジスコアと前記クラウドスコアとに基づいて、前記第1のクラスタリング分析モデルと前記第2のクラスタリング分析モデルとの乖離度を計算し、前記乖離度が所定の乖離度基準を満たす場合に、前記第1のクラスタリング分析モデル及び前記第2のクラスタリング分析モデルに対する更新処理を行う工程と、
を含み、
前記第1のクラスタリング分析モデルは、
第1の静的クラスタリング分析モデルと、第1の動的クラスタリング分析モデルとを含み、
前記第2のクラスタリング分析モデルは、
第2の静的クラスタリング分析モデルと、第2の動的クラスタリング分析モデルとを含み、
前記更新処理は、
前記第1の静的クラスタリング分析モデルの更新を指示し、少なくとも第1の時刻を指定するモデル更新通知を前記第1のクラスタリング分析モデルに送信する工程と、
前記第1の動的クラスタリング分析モデルを前記第1の時刻に対応する第1の訓練用データに基づいて訓練する工程と、
前記第1の静的クラスタリング分析モデルを前記第1の動的クラスタリング分析モデルに基づいて更新する工程と、
前記第2の動的クラスタリング分析モデルを前記第1の時刻に対応する第1の訓練用データに基づいて訓練する工程と、
前記第2の静的クラスタリング分析モデルを前記第2の動的クラスタリング分析モデルに基づいて更新する工程と、
を含む異常検出方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020090368A JP7372876B2 (ja) | 2020-05-25 | 2020-05-25 | 異常検出システム、異常検出装置及び異常検出方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2020090368A JP7372876B2 (ja) | 2020-05-25 | 2020-05-25 | 異常検出システム、異常検出装置及び異常検出方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021185352A JP2021185352A (ja) | 2021-12-09 |
JP7372876B2 true JP7372876B2 (ja) | 2023-11-01 |
Family
ID=78815737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020090368A Active JP7372876B2 (ja) | 2020-05-25 | 2020-05-25 | 異常検出システム、異常検出装置及び異常検出方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7372876B2 (ja) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102560596B1 (ko) * | 2022-12-16 | 2023-07-27 | 부산대학교 산학협력단 | 데이터 프라이버시 취약점 개선을 위한 영지식 증명 및 엣지 컴퓨팅 기반 BaaS 시스템 및 방법 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017120622A (ja) | 2015-12-25 | 2017-07-06 | 株式会社リコー | 診断装置、診断方法、プログラムおよび診断システム |
JP2017187820A (ja) | 2016-03-31 | 2017-10-12 | 株式会社東芝 | プロセス診断装置、プロセス診断方法及びコンピュータプログラム |
US20190339681A1 (en) | 2017-08-31 | 2019-11-07 | Rockwell Automation Technologies, Inc. | Discrete manufacturing hybrid cloud solution architecture |
US20200065711A1 (en) | 2018-08-21 | 2020-02-27 | Lyft, Inc. | Systems and methods for detecting and recording anomalous vehicle events |
-
2020
- 2020-05-25 JP JP2020090368A patent/JP7372876B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2017120622A (ja) | 2015-12-25 | 2017-07-06 | 株式会社リコー | 診断装置、診断方法、プログラムおよび診断システム |
JP2017187820A (ja) | 2016-03-31 | 2017-10-12 | 株式会社東芝 | プロセス診断装置、プロセス診断方法及びコンピュータプログラム |
US20190339681A1 (en) | 2017-08-31 | 2019-11-07 | Rockwell Automation Technologies, Inc. | Discrete manufacturing hybrid cloud solution architecture |
US20200065711A1 (en) | 2018-08-21 | 2020-02-27 | Lyft, Inc. | Systems and methods for detecting and recording anomalous vehicle events |
Also Published As
Publication number | Publication date |
---|---|
JP2021185352A (ja) | 2021-12-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210192220A1 (en) | Video classification method and apparatus, computer device, and storage medium | |
US11551153B2 (en) | Localized learning from a global model | |
US20170132523A1 (en) | Periodicity Analysis on Heterogeneous Logs | |
US20180012003A1 (en) | Pointing device biometrics continuous user authentication | |
JP7454105B2 (ja) | 顔画像品質評価方法及び装置、コンピュータ機器並びにコンピュータプログラム | |
US10535371B2 (en) | Speaker segmentation and clustering for video summarization | |
US9754193B2 (en) | Authenticating a user by correlating speech and corresponding lip shape | |
US10796242B2 (en) | Robust training technique to facilitate prognostic pattern recognition for enterprise computer systems | |
US20200293875A1 (en) | Generative Adversarial Network Based Audio Restoration | |
CN110554831B (zh) | 操作同步方法、装置、设备及存储介质 | |
US20180260825A1 (en) | Automated feedback determination from attendees for events | |
US9947323B2 (en) | Synthetic oversampling to enhance speaker identification or verification | |
EP4073978B1 (en) | Intelligent conversion of internet domain names to vector embeddings | |
US10984814B2 (en) | Denoising a signal | |
US11418701B2 (en) | Method and system for auto-setting video content analysis modules | |
JP7372876B2 (ja) | 異常検出システム、異常検出装置及び異常検出方法 | |
CN110459223A (zh) | 数据跟踪处理方法、设备、存储介质及装置 | |
US11392786B2 (en) | Automated analytic resampling process for optimally synchronizing time-series signals | |
US20220405574A1 (en) | Model-aware data transfer and storage | |
CN115552380A (zh) | 性能事件故障排除*** | |
CN111292767A (zh) | 一种音频事件检测方法和装置以及设备 | |
US11869492B2 (en) | Anomaly detection system and method using noise signal and adversarial neural network | |
US20220269958A1 (en) | Device-invariant, frequency-domain signal processing with machine learning | |
CN113572683B (zh) | 数据处理方法、装置、电子设备及存储介质 | |
Adhin et al. | Acoustic Side Channel Attack for Device Identification using Deep Learning Models |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20230123 |
|
TRDD | Decision of grant or rejection written | ||
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20231011 |
|
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20231017 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20231020 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7372876 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |