機械学習による受信信号異常検知 — データから「正常」を学ぶ

この回で学ぶこと

通信系デジタルツインの回では、探査機の物理的な挙動を忠実に再現するソフトウェアモデルを構築し、その予測値 $\hat{\mathbf{y}}(t)$ と実測値 $\mathbf{y}_{obs}(t)$ の乖離 $\boldsymbol{\varepsilon}(t) = \mathbf{y}_{obs}(t) - \hat{\mathbf{y}}(t)$ を監視することで異常を検知する、という考え方を見ました。この方法の強みは明快です。自由空間損失やドップラーシフトのように、物理法則がすでによく分かっている現象については、「今この条件でこう振る舞うはずだ」という基準を精密に計算できるからです。

しかし、この方法には裏返しの弱点があります。デジタルツインは、あらかじめモデル化された物理現象からの逸脱しか検知できません。 モデルに組み込まれていない現象——たとえば特定の部品の劣化が引き起こす、教科書には載っていない複合的な振る舞いや、設計時には想定していなかった相互作用——は、そもそも $F(\mathbf{x}(t), \mathbf{s}(t))$ という合成関数の中に存在しないので、予測値 $\hat{\mathbf{y}}(t)$ にその影響が反映されようがありません。「物理モデルが説明できないものは、物理モデルでは見つけられない」というのは、ある意味で当然のことです。

この回で扱う機械学習ベースの異常検知は、これと正反対の発想に立ちます。物理法則を明示的にモデル化するのではなく、大量の正常時受信データそのものから、統計的なパターンを学習します。そして、新しい観測がその学習済みパターンからどれだけ外れているかをスコア化し、異常を判定します。物理法則を知らなくても、「過去に見たことのある正常なデータの分布」さえ十分な量があれば、そこから外れたものを機械的に検出できる、というアプローチです。

この回のゴールは4つです。

1. 教師なし異常検知の基本的な考え方——正常データの分布を学習し、新しい観測の逸脱度をスコア化する——を、ガウス混合モデル(GMM)とオートエンコーダという2つの代表的な手法の数式で理解する。
2. デジタルツイン(物理モデルベース)と統計学習ベースの異常検知が、なぜ「同じ問題への競合する解法」ではなく「補完し合う2つの武器」なのかを整理する。
3. 受信信号のどのような特徴量が機械学習モデルへの入力として使われるかという実務的な設計判断を見る。
4. 検出理論で学んだ誤り率最小化の枠組みが、機械学習モデルの異常判定しきい値設定にもそのまま適用できることを確認する。

直感的な導入 — 「見たことがない」を検知する

デジタルツインによる異常検知を、たとえるなら「模範解答と照らし合わせる採点」です。物理法則という正解が先にあり、実際の答案(受信データ)がそこからどれだけずれているかを機械的にチェックします。正解が分かっているぶん、ずれの原因もある程度説明がつきます。

一方、機械学習ベースの異常検知は、たとえるなら「大量の答案を見せられた採点者が、模範解答を知らないまま『いつもと違う書き方の答案』を勘で見抜く」ことに近い作業です。採点者(モデル)は物理の教科書を読んだことがなくても、何千枚もの「正常」な答案を見ているうちに、答案の書き方の平均的なパターン——文字の大きさ、余白の取り方、使う単語の傾向——を暗黙のうちに身につけます。そして、そのパターンから大きく外れた答案が来たとき、「理由は分からないが、何かがおかしい」と感じ取ります。

受信機の文脈に置き換えると、次のようになります。地上局やオンボードの受信機は、日々膨大な量のテレメトリを受信しており、そのほとんどは「正常」なデータです。この正常データの集合 $\mathcal{D} = \{x^{(1)}, x^{(2)}, \dots, x^{(N)}\}$($x^{(i)} \in \mathbb{R}^d$ は $i$ 番目の観測から抽出した $d$ 次元の特徴ベクトル、詳しくは後述)を使って、「正常なデータはどのあたりに、どんな形で分布しているか」という統計モデルを学習します。そして新しい観測 $x_{\text{new}}$ が来たとき、その統計モデルのもとで $x_{\text{new}}$ がどれだけ「ありそうにない」かを数値化し、しきい値を超えたら異常と判定する——これが教師なし異常検知の骨格です。

ここで「教師なし(unsupervised)」という言葉には重要な意味があります。異常のラベル付きデータ(「これは太陽電池パドルの劣化による異常」「これは増幅器の故障による異常」といった、原因が分かっているサンプル)は現実には極めて少なく、しかも異常の種類は事前に網羅できません。教師なし異常検知は、異常のラベルを一切必要とせず、「正常データがどう分布しているか」だけを学習の対象にすることで、この問題を回避します。

定式化その1: ガウス混合モデル(GMM)による密度推定

最も基本的な統計学習ベースの異常検知は、正常データの特徴ベクトル $x \in \mathbb{R}^d$ が従う確率密度 $p(x)$ を、データから直接推定することです。この確率密度の推定に古典的によく使われるのが**ガウス混合モデル(Gaussian Mixture Model, GMM)**です。

$$p(x) = \sum_{k=1}^{K} \pi_k \, \mathcal{N}(x \mid \mu_k, \Sigma_k), \qquad \sum_{k=1}^{K} \pi_k = 1, \quad \pi_k \ge 0$$

ここで $K$ は混合成分の数、$\pi_k$ は各成分(クラスタ)の混合比率、$\mathcal{N}(x \mid \mu_k, \Sigma_k)$ は平均 $\mu_k$・共分散行列 $\Sigma_k$ の多変量ガウス分布です。直感的には、「正常な受信状態」にはいくつかの典型的なモード(たとえば異なる仰角での運用、異なるパス条件、異なる観測対象)があり、それぞれのモードの周辺にデータが集まっている、という描像を、複数のガウス分布の重ね合わせで近似します。パラメータ $\{\pi_k, \mu_k, \Sigma_k\}_{k=1}^{K}$ は、正常データ $\mathcal{D}$ に対する対数尤度

$$\ln p(\mathcal{D}) = \sum_{i=1}^{N} \ln \left[ \sum_{k=1}^{K} \pi_k \, \mathcal{N}(x^{(i)} \mid \mu_k, \Sigma_k) \right]$$

を最大化するように、EM(Expectation-Maximization)アルゴリズムで反復的に推定されます。この最尤推定の考え方自体は、検出理論の回で見た尤度最大化の発想と地続きです。違いは、検出理論では信号点 $s_i$ とその尤度関数の形(AWGNガウス分布)があらかじめ既知だったのに対し、ここではその分布の形(何個の山があり、どこに中心があるか)自体をデータから学習しなければならない点です。

学習済みの $p(x)$ が得られれば、新しい観測 $x_{\text{new}}$ に対する異常スコアを、負の対数尤度

$$\text{score}(x_{\text{new}}) = -\ln p(x_{\text{new}}) = -\ln \left[ \sum_{k=1}^{K} \pi_k \, \mathcal{N}(x_{\text{new}} \mid \mu_k, \Sigma_k) \right]$$

として定義できます。正常データが密集している領域では $p(x_{\text{new}})$ が大きく、スコアは小さくなります。逆に、どのガウス成分からも遠い(=正常データがほとんど存在しない)領域に $x_{\text{new}}$ が来ると、$p(x_{\text{new}})$ は極めて小さくなり、スコアは大きくなります。判定則は単純なしきい値判定です。

$$\text{score}(x_{\text{new}}) > \tau \quad \Longrightarrow \quad x_{\text{new}} \text{ を異常と判定}$$

$\tau$ は運用上設定するしきい値です。$K=1$(単一のガウス分布だけで正常データを近似する最も単純な場合)まで単純化すると、これは実質的にマハラノビス距離

$$D_M(x)^2 = (x - \mu)^\top \Sigma^{-1} (x - \mu)$$

によるしきい値判定と等価になります。マハラノビス距離は、特徴量ごとの分散の大きさやスケールの違い、特徴量間の相関を共分散行列 $\Sigma$ で正しく補正した上で「正常データの中心からの統計的な遠さ」を測る距離であり、単純なユークリッド距離よりも異常検知に適した尺度になります。

定式化その2: オートエンコーダによる再構成誤差

GMMが「特徴空間での密度」を直接モデル化するのに対し、より高次元・非線形な構造を持つデータに対しては**オートエンコーダ(Autoencoder)**を使う手法が広く使われます。

オートエンコーダは、入力 $x \in \mathbb{R}^d$ を、より低次元の潜在表現 $z \in \mathbb{R}^m$($m \ll d$)に圧縮するエンコーダ $f_\theta$ と、その潜在表現から元の $x$ をできるだけ忠実に復元しようとするデコーダ $g_\phi$ の組で構成されるニューラルネットワークです。

$$z = f_\theta(x), \qquad \hat{x} = g_\phi(z) = g_\phi(f_\theta(x))$$

学習は、正常データ $\mathcal{D}$ に対する再構成誤差を最小化するように、パラメータ $\theta, \phi$ を勾配降下法で調整することで行われます。

$$\mathcal{L}(\theta, \phi) = \frac{1}{N} \sum_{i=1}^{N} \left\lVert x^{(i)} - g_\phi(f_\theta(x^{(i)})) \right\rVert^2$$

ここで本質的に重要なのは、潜在空間の次元 $m$ が入力次元 $d$ より小さいというボトルネック構造です。もし $m \ge d$ であれば、ネットワークは単に恒等写像(入力をそのまま出力する)を学習してしまい、何の圧縮も学習も起きません。$m \ll d$ という制約があるからこそ、ネットワークは正常データに共通する低次元の構造(特徴量間の相関、典型的なパターン)だけを潜在表現 $z$ に圧縮して残さざるを得なくなります。

学習が完了すると、正常データはこのボトルネックを通しても高い精度で再構成できるようになります(訓練の目的そのものがそれだったので当然です)。一方、学習時に一度も見たことのないパターンを持つ異常データを入力すると、エンコーダ・デコーダが学習した「正常データの低次元構造」にうまく当てはまらないため、再構成がうまくいかず、再構成誤差が大きくなることが期待されます。これが異常スコアとして使われます。

$$\text{score}(x_{\text{new}}) = \left\lVert x_{\text{new}} - \hat{x}_{\text{new}} \right\rVert^2 = \left\lVert x_{\text{new}} - g_\phi(f_\theta(x_{\text{new}})) \right\rVert^2$$

判定則は先ほどと同じ形のしきい値判定です。

$$\left\lVert x_{\text{new}} - \hat{x}_{\text{new}} \right\rVert^2 > \tau \quad \Longrightarrow \quad x_{\text{new}} \text{ を異常と判定}$$

GMMとオートエンコーダは表面的な数式は異なりますが、根底にある論理は同一です。**「正常データがどのような構造(密度の高い領域、あるいは低次元多様体)を持つかを学習し、その構造から外れている度合いを何らかのスコアで数値化し、しきい値で切る」**という枠組みは共通しています。実務では、データが比較的低次元で解釈しやすい場合はGMMやその発展形(one-class SVM など)、多数のセンサ・多数の時系列特徴を含む高次元データにはオートエンコーダ(あるいは時系列構造を扱うLSTM-オートエンコーダなど)が選ばれる傾向にありますが、いずれも「正常の学習」と「逸脱のスコア化」という同じ2段構成に帰着します。

デジタルツインと統計学習の補完関係

ここで、前々回のデジタルツインの回で見た物理モデルベースの異常検知と、この回の統計学習ベースの異常検知を、あらためて対比してみましょう。

デジタルツインの異常検知は、次の式で表される乖離 $\boldsymbol{\varepsilon}(t)$ を監視するものでした。

$$\boldsymbol{\varepsilon}(t) = \mathbf{y}_{obs}(t) - \hat{\mathbf{y}}(t), \qquad \hat{\mathbf{y}}(t) = F(\mathbf{x}(t), \mathbf{s}(t))$$

この $\hat{\mathbf{y}}(t)$ は、自由空間損失・ドップラーシフト・大気減衰といった、すでに正しいと分かっている物理法則 $F$ から計算された「あるべき値」です。したがって $\boldsymbol{\varepsilon}(t)$ が大きいということは、「既知の物理法則では説明のつかない何かが起きている」ことを意味します。この方法の強みは、異常を検知したときに、少なくとも「どの既知の要因では説明がつかないか」という手がかりが自動的に得られる点にあります。弱みは、$F$ に含まれていない現象——たとえば部品の未知の劣化モードや、設計時に想定していなかった複合的な相互作用——には原理的に反応できないことです。

一方、この回で見たGMMやオートエンコーダによる統計学習ベースの異常検知は、$F$ のような明示的な物理モデルを一切必要としません。正常データにさえ十分な量があれば、そのデータに内在するどんなパターンも(それが既知の物理法則に基づくものであれ、複雑で言語化しにくい相関であれ)学習の対象になります。この方法の強みは、事前に物理モデル化されていない、想定外のパターンの異常も検知できる可能性がある点です。弱みは、異常を検知しても「なぜ異常なのか」という説明が、モデルの内部(ガウス成分のどこから外れたか、潜在表現のどの次元が寄与したか)を追加で分析しない限り得られにくいことと、正常データの分布が季節変動や運用モードの変化で徐々にドリフトしていく場合、学習済みモデルが古びてしまう(再学習が必要になる)ことです。

この2つの関係を整理すると、次のようにまとめられます。

観点	デジタルツイン(物理モデル)	統計学習(GMM・オートエンコーダ等)
検知できる異常	既知の物理法則から外れるもの	正常データの統計パターンから外れるもの(既知・未知を問わない)
必要なもの	精密な物理モデル $F$	大量の正常データ
異常の説明可能性	高い(どの物理項で説明がつかないかが分かる)	低い(追加分析が必要)
環境変化への追従	モデルを更新すれば正確に追従できる	分布ドリフトに弱く、再学習が必要
想定外パターンへの感度	低い(モデル化されていないものは検知不能)	高い(データにあるパターンなら拾える)

実務上重要なのは、この2つを「どちらが優れているか」で選ぶのではなく、両方を並行して運用し、互いの弱点を補い合わせるという発想です。デジタルツインが「既知の物理法則では説明できない」と判定した乖離のうち、統計学習モデルの異常スコアでも高いスコアが出ているものは、より確信度の高い異常候補として優先的に運用者へエスカレーションする、といった組み合わせ方が現実的です。逆に、統計学習モデルだけが異常を示し、デジタルツインの乖離 $\boldsymbol{\varepsilon}(t)$ が小さい場合は、「既知の物理法則では説明できる範囲内だが、統計的には珍しいパターン」という中間的な位置づけとして扱われることになります。

特徴量設計 — 何をモデルに入力するか

GMMやオートエンコーダがどれだけ洗練されていても、入力する特徴ベクトル $x$ の設計が悪ければ意味のある異常検知はできません。ここまでのレッスンで学んできた受信信号の指標の多くが、この特徴ベクトルの候補になります。

• SNR / $C/N_0$: SNR推定とリンク適応の回で見た受信信号対雑音比。最も基本的な受信品質指標であり、ほぼすべての異常検知パイプラインで特徴量に含まれます。
• 位相雑音: オシレータの位相雑音の回で見た $L(f)$ のような周波数領域の指標、あるいはPLLのループがロックを維持する際の位相誤差分散。オシレータや増幅器の劣化は、位相雑音特性の緩やかな変化として先に現れることが多く、異常の早期兆候として重要です。
• 変調精度(EVM, Error Vector Magnitude): 受信したシンボル点が理想的な信号点配置からどれだけずれているかを表す指標。増幅器の非線形歪みやI/Q不整合など、複数の劣化要因が複合的に反映されるため、単独の物理量では捉えにくい異常を拾いやすい特徴量です。
• スペクトル形状: 受信信号のパワースペクトル密度の形(主ローブ幅、サイドローブレベル、対称性など)。フィルタの特性劣化や、意図しない相互変調成分の出現などが、スペクトル形状の変化として現れます。
• フレーム同期率・誤り訂正後の残留誤り率: プロトコルスタックの層で観測される統計量。物理層の劣化が最終的にどれだけデータ品質に影響しているかを直接反映します。

実務上の設計判断として重要なのは、これらの特徴量を生の物理量のまま使うか、時間方向の統計量(移動平均、分散、変化率など)に変換してから使うかという選択です。単一時刻のSNR値だけでは、それが「たまたま今低仰角にいるから低い」のか「異常に低い」のかを区別できないことが多く、実際には時間窓内での統計量や、デジタルツインの予測値との差分そのものを特徴量の1つとして組み込む(つまり物理モデルの出力を統計学習モデルの入力の一部として使う)というハイブリッドな設計も広く行われています。これも前節で見た「補完関係」の具体的な現れ方の1つです。

誤検知のコストとしきい値設定 — 検出理論との接続

GMMの負対数尤度にせよ、オートエンコーダの再構成誤差にせよ、最終的な判定は必ず「スコアがしきい値 $\tau$ を超えたら異常」という形に帰着します。この $\tau$ をどう選ぶかという問題は、検出理論の回で扱った判定理論の枠組みと本質的に同じ構造を持っています。

検出理論の回では、MAP判定則が

$$\arg\min_i \left[\lVert r - s_i \rVert^2 - 2\sigma^2 \ln P_i \right]$$

という、事前確率 $P_i$ に応じたバイアス項を含む形になることを見ました。異常検知のしきい値設定も同様に、「正常」と「異常」という2つの仮説の間の判定問題として捉えることができます。

$$H_0: x \text{ は正常}, \qquad H_1: x \text{ は異常}$$

$\tau$ を小さく設定すれば、正常データの一部までスコアがしきい値を超えてしまい、偽陽性(False Positive)——実際には問題がないのに異常アラートが出る——が増えます。逆に $\tau$ を大きく設定すれば、本当の異常のスコアがしきい値に届かず、偽陰性(False Negative)——本当の異常を見逃す——が増えます。これは検出理論やデジタルツインの回の閾値判定 $|\boldsymbol{\varepsilon}(t)| > k \cdot \sigma_{model}(t)$ でも登場した、判定理論に普遍的なトレードオフです。

異常検知に特有なのは、このトレードオフの非対称なコスト構造です。偽陽性のコストは、運用者が不要なアラートに対応する労力(いわゆる「アラート疲れ」)であり、これが積み重なると、本当に重要なアラートまで軽視されてしまうリスクが生まれます。一方、偽陰性のコストは、実際に進行している異常(部品の劣化、姿勢の異常、電源系のトラブルなど)を見逃し、対応が手遅れになるリスクです。ミッションの性質(有人か無人か、代替不可能なフラグシップミッションか)や、対象としている異常の種類(致命的な故障の予兆か、軽微な性能劣化か)によって、このコストの重み付けは大きく変わるため、$\tau$ は一律の値ではなく、運用のリスク許容度に応じてミッションごとに調整される運用パラメータとして扱われます。より定量的には、偽陽性率と偽陰性率(あるいは検知率)を様々な $\tau$ についてプロットしたROC曲線(Receiver Operating Characteristic curve)を作成し、運用上許容できる偽陽性率のもとで検知率が最大になる $\tau$ を選ぶ、という手順が一般的に取られます。

実務での使われ方

地上局側での研究・運用動向

NASAのJPLやESAの各研究機関では、DSN(Deep Space Network)やESTRACKで収集される受信テレメトリの長期アーカイブを使い、機械学習ベースの異常検知手法の研究が進められています。特にオートエンコーダやLSTM(長短期記憶ネットワーク)ベースの時系列異常検知は、NASAが公開している人工衛星のテレメトリデータセット(Soil Moisture Active Passive: SMAPやMars Science Laboratory: MSLのテレメトリを使ったベンチマークなど)を用いた研究で広く検証されており、地上局の監視システムに段階的に組み込まれています。これらの手法は、デジタルツインによる乖離検出と並行稼働させ、運用者に提示するアラートの優先順位付けや、異常の裏付け情報として使われることが多く、機械学習モデル単独で自動的に運用判断を下すところまでは、現状ではまだ慎重な運用が取られています。

探査機側でのオンボード軽量異常検知

探査機に搭載されるコンピュータは、地上のデータセンターと違って計算資源(演算能力、メモリ、電力)が極めて限られています。そのため、オンボードで異常検知を行う場合は、大規模なオートエンコーダをそのまま実装するのではなく、パラメータ数を絞った軽量なモデル(低次元の潜在空間を持つ小さなオートエンコーダや、計算量の少ない統計的手法)を使うことが一般的です。オンボードでの軽量な異常検知は、通信リンクが常時確保できるとは限らない(地上局との可視パスが限られる、あるいは深宇宙では通信遅延が大きい)探査機が、自らの状態をその場で評価し、必要に応じてセーフモードへの移行や、優先的に地球へ知らせるべきデータの選別といった判断を自律的に行うための土台になります。この考え方は、限られた通信帯域の中でどの科学データを優先して送るべきかを探査機自身が判断するという自律運用の発想とも通じるものであり、異常検知はその自律的な判断を支える構成要素の1つに位置づけられます。

演習問題

1. GMMによる異常スコア $\text{score}(x) = -\ln p(x)$ と、オートエンコーダによる異常スコア $\text{score}(x) = \lVert x - \hat{x} \rVert^2$ について、それぞれが「正常データのどのような構造」を学習した結果として異常を検知しているのか、両者の共通点と相違点を自分の言葉で説明してください。

2. オートエンコーダの潜在次元 $m$ を入力次元 $d$ と同じ、あるいはそれ以上に設定した場合に何が起きるかを説明し、なぜボトルネック構造($m \ll d$)が異常検知にとって本質的に重要なのかを論じてください。

3. デジタルツインの回で学んだ物理モデルベースの異常検知と、この回で学んだ統計学習ベースの異常検知について、「ある探査機の増幅器に、設計時には想定されていなかった非線形な熱劣化パターンが生じた」という架空のシナリオを例に、それぞれの手法がこの異常を検知できるか・できないかを議論してください。

4. 異常検知のしきい値 $\tau$ を運用上どう決めるべきか、有人ミッションと無人の小型科学衛星ミッションという2つの異なる状況を想定し、偽陽性・偽陰性のコストの違いを踏まえて、それぞれに適したしきい値設定の考え方を論じてください。

まとめと次回予告

この回では、デジタルツインの回で見た物理モデルベースの異常検知とは異なるアプローチとして、正常時の受信データそのものから統計的パターンを学習する機械学習ベースの異常検知を扱いました。要点は次の3つです。

• ガウス混合モデル(密度推定)やオートエンコーダ(再構成誤差)は、いずれも「正常データの構造を学習し、そこからの逸脱をスコア化してしきい値判定する」という共通の枠組みに基づいている。
• デジタルツイン(物理モデル)と統計学習は競合する手法ではなく、既知の物理法則で説明できる異常と、未知・想定外のパターンとして現れる異常という、異なる種類の異常を捉える補完的な武器である。
• 異常検知のしきい値設定は、検出理論で学んだ判定理論の枠組みと同じ偽陽性・偽陰性のトレードオフに従い、運用のリスク許容度に応じて調整される。

次回は少し毛色を変え、これまで扱ってきた正弦波ベースの変調方式とはまったく異なる発想を持つカオス拡散通信に軽く触れます。カオス力学系が生成する一見ランダムな波形を拡散符号として使うという、この回まで前提としてきた「規則的な信号空間」の外側にあるアイデアです。

参考文献

• C. M. Bishop, Pattern Recognition and Machine Learning, Springer, 2006
• I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, MIT Press, 2016
• V. Chandola, A. Banerjee, V. Kumar, “Anomaly Detection: A Survey,” ACM Computing Surveys, vol. 41, no. 3, 2009
• K. Hundman et al., “Detecting Spacecraft Anomalies Using LSTMs and Nonparametric Dynamic Thresholding,” Proceedings of KDD 2018
• J. H. Yuen (ed.), Deep Space Telecommunications Systems Engineering, JPL Publication 82-76
• DSN Telecommunications Link Design Handbook, DSN No. 810-005