2025S-Seminar #4 / Anomaly Detection and Performance Evaluation & Behavior Observation under a Virtual Environment

2025.04.30

今回のゼミを担当したのは、B4村上さん、M1出本さんと、M1中嶋さんでした。
We had B4 student Murakami, M1 students Demoto and Nakajima to give presentations for this seminar.

「井出剛. 入門 機械学習による異常検知-Rによる実践ガイド」を参考にし、異常検知の手法と異常検知の性能評価を、村上さんと出本さんが分担して発表しました。そして中嶋さんが、「仮想環境下の実験におけるリスク回避行動の観測のための手法の検討(藤原 龍・三角 耕太・井料 隆雅)」に基づいて、金銭と時間がVRの仮想環境におけるリスク回避行動に与える影響について発表しました。
Mr. Murakami and Mr. Demoto gave a joint presentation on anomaly detection methods and the performance evaluation of anomaly detection, based on “Introduction to Anomaly Detection using Machine Learning: A Practical Guide with R” by Dr. Takeshi Ide. Mr. Nakajima presented on a study that clarified the influence of money and time on risk-averse behavior in a VR-based virtual environment, based on “A Study on a Method for Observing Risk-Averse Behavior in Experiments under a Virtual Environment” by Ryu Fujiwara, Kota Misumi, and Prof. Takamasa Iryo.

発表者からもらったまとめは下記の通りです。
Below are the summaries written by the presenters.

村上（Murakami）：
与えられた訓練データをもとに、新たな観測データが正常なデータであるか、異常値であるかを判断するための手法について紹介をしました。異常値検定は3つのステップからなっており、①訓練データより分布の推定を行う、②異常度を定義する、③異常度の分布を求め閾値を決定する、です。分布が求められない場合には、異常の定義を、観測データと訓練データの離れ具合とし集計していくという方法もあり、データの次元や分布をもとに適切な方法を選んでいきます。
We introduced a method for determining whether new observation data is normal or an anomaly, based on the given training data. Anomaly detection consists of three steps: (1) Estimating the data distribution from the training data; (2) Defining an anomaly score; (3) Determining a threshold by deriving the distribution of the anomaly score. In cases where the distribution cannot be estimated, an alternative approach is to define anomalies based on the degree of deviation between the observation data and the training data. An appropriate method is selected depending on the dimensionality and distribution of the data.

出本（Demoto）：
異常検知の性能評価と不要な次元を含むデータからの異常検知について説明しました。異常検知の性能評価には閾値が重要です。正常標本精度と異常標本精度・分岐点精度・F値・AUCといった指標について説明しました。また、モデル選択問題について、交差確認法・赤池情報量規準・ベイズ情報量規準による選択について示しました。次元削減について、正常部分空間用いた異常検知のRでの実行例を紹介しました。
We explained the performance evaluation of anomaly detection and how to detect anomalies from data containing unnecessary dimensions. Threshold setting plays an important role in evaluating the performance of anomaly detection. We introduced evaluation metrics such as accuracy for normal samples, accuracy for anomaly samples, breakpoint accuracy, F-score, and AUC. In addition, we discussed the model selection problem, introducing selection methods such as cross-validation, Akaike Information Criterion (AIC), and Bayesian Information Criterion (BIC). Regarding dimensionality reduction, we presented an example in R of performing anomaly detection using a normal subspace approach.

中嶋（Nakajima）:
交通行動を観察する実験について、仮想環境での選択の現実性を高める手法の検討を行います。VRの仮想環境を用意し、物理的危険行動に対する負の動機付けを設定してその効果を推定しました。負の動機付けとして、報酬金額の減額と実験時間の追加の2種類を設定します。 結果としては、時間よりも金銭の方が効果的でした。また、負の動機付けがなくても、参加者ある程度危機回避行動を行いました。より現実感のある仮想環境の構築によりこの傾向を強められるかもしれません。
This study examines methods for enhancing the realism of choices made in experiments that observe transportation behavior in virtual environments. A VR-based virtual environment was created, and negative incentives were introduced to simulate the consequences of physically dangerous actions, allowing their effects to be estimated. Two types of negative incentives were implemented: reduction of monetary rewards and extension of experiment time.
The results showed that monetary penalties were more effective than time penalties. Furthermore, even in the absence of negative incentives, participants exhibited a certain level of risk-averse behavior. These tendencies may be further reinforced by constructing a more realistic virtual environment.

written by M2 Wei Miaoheng