異常検知手法まとめ（AE / VAE / Isolation Forest / One-Class SVM）は頻出論点を整理して得点力につなげる学習テーマです。この記事では仕組み・役割・使いどころを押さえ、G検定で問われる判断ポイントとひっかけポイントを解説します。

gk cheatsheet neural_network

G検定トップ ＞ 異常検知手法まとめ（AE / VAE / Isolation Forest / One-Class SVM）【G検定対策】

まず結論

  • G検定の異常検知は 「何を基準に異常と判断するか」 で一瞬で切り分ける。
  • 再構成誤差・確率・孤立しやすさ・境界、のどれかを見ている。

直感的な説明

異常検知モデルは、見ている視点がまったく違います。

  • AE：「元に戻せない」
  • VAE：「起こりにくい」
  • Isolation Forest：「すぐ孤立する」
  • One-Class SVM：「境界の外にいる」

👉 どの“考え方”かを見抜けば正解が切れる。

定義・仕組み

AE（オートエンコーダ）

  • 正常データのみで学習
  • 入力を圧縮 → 復元
  • 再構成誤差が大きい＝異常

VAE（変分オートエンコーダ）

  • 潜在変数を 確率分布 で表現
  • 正常データが出やすい分布を学習
  • 尤度が低い＝異常

Isolation Forest

  • 木構造でデータを分割
  • 少ない分割で孤立する点＝異常
  • 距離や分布を仮定しない

One-Class SVM

  • 正常データを囲む 境界 を学習
  • 境界の外に出た点を異常と判断

いつ使う？（得意・不得意）

AE / VAE（深層学習系）

  • 高次元データ
  • センサ・画像・時系列
  • 正常データが大量にある

Isolation Forest

  • 特徴量ベースの表形式データ
  • 軽量・高速
  • 分布仮定なし

One-Class SVM

  • 次元がそこまで高くない
  • 境界が明確なデータ
  • パラメータ調整が重要

G検定ひっかけポイント

G検定では、次の言葉で判断させにきます。

判断キーワード対応表（超重要）

問題文のキーワード 正解候補
再構成誤差 AE
確率・分布・尤度 VAE
孤立・分割回数 Isolation Forest
境界・マージン One-Class SVM
教師なし・正常のみ 全部あり得る

よくある誤解

  • ❌「異常検知＝分類問題」
  • ❌「異常データを大量に学習」
  • ❌「VAEとAEは同じ」

まとめ（試験直前用）

  • AE：復元できない → 異常
  • VAE：起こりにくい → 異常
  • Isolation Forest：すぐ孤立 → 異常
  • One-Class SVM：境界の外 → 異常
  • 迷ったら「何を基準に異常か」を見る

🔗 関連記事

🏠 G検トップに戻る