要約
深層学習に基づくニューラルネットワークは、表現領域における強力な抽象的解釈能力を備えることから、視覚的異常検出（Anomaly Detection, AD）および故障診断において強力なツールとして機能している。ImageNet分類タスクで事前学習されたニューラルネットワークからの深層特徴量は、ガウス判別分析を用いたADにおいて有効であることが実証されている。しかし、深層学習ニューラルネットワークの複雑性がますます増大する中で、得られる深層特徴量の集合は膨大になり、冗長性が避けがたくなっている。このような冗長特徴量は計算コストを増加させるとともに、AD手法の性能を低下させる要因となる。本稿では、ADタスクにおける深層特徴選択について考察し、表現領域における冗長性を低減する手法を提示する。具体的には、部分空間分解を用いた水平的選択（次元削減）手法と、ADおよび故障診断において最も効果的なネットワーク層を特定する垂直的選択手法を提案する。本手法は、ADタスク用と軸受の故障診断用の2つの公開データセットを用いて検証された。その結果、異なるネットワーク層および特徴部分空間がADタスクにおいて果たす意義を明らかにするとともに、特徴選択戦略の有効性を実証した。