---
title: "異常検知手法まとめ（AE / VAE / Isolation Forest / One-Class SVM）【G検定対策】"
description: "異常検知手法まとめについて、G検定で問われる特徴量・教師なし学習分野の観点から、特徴の捉え方、データの分布、教師なし学習で何を判断するかを整理します。暗記だけでなく、似た概念との混同を避ける見分け方や、選択肢を切るためのポイントも確認します。"
canonical_url: "https://stemtazoo.github.io/gk/anomaly-detection-methods/"
section: "gk"
---

## 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