異常検知

異常検知（Anomaly Detection）とは、データセット内で「正常なパターン」から大きく逸脱したデータポイント（外れ値・異常値）を自動的に識別する機械学習タスクです。外れ値検知（Outlier Detection）とも呼ばれます。異常なサンプルは正常なサンプルに比べて極端に少ないため、ラベルなしデータからの学習（教師なし学習）や、少量の異常サンプルを使った半教師あり学習が多く使われます。

異常検知が重要な理由は、様々な産業で「問題を早期発見する」ことが大きな経済的価値を持つためです。クレジットカード不正検知（損失防止）・製造ラインの品質検査（不良品検出）・ネットワーク侵入検知（サイバーセキュリティ）・機械の予知保全（故障前メンテナンス）・医療での希少疾患検出など、「正常でないもの」を見つけることが求められます。

代表的な手法として、統計的手法（z-スコア・IQR）、機械学習ベース（Isolation Forest・One-Class SVM・LOF：Local Outlier Factor）、深層学習ベース（Autoencoder、Variational Autoencoder：正常データを再構成し誤差が大きいものを異常とする、LSTM Autoencoderによる時系列異常検知）があります。LLMを活用した「ログ異常検知」（大量のシステムログから異常なパターンを検出）も実用化されています。