データの不均衡は、機械学習と人工知能における一般的な問題であり、はるかに、セキュリティのためのEIトランスのパフォーマンスを含むさまざまなアプリケーションに影響を与えます。セキュリティのためのEIトランスのサプライヤーとして、データの不均衡の影響を理解することは、製品のパフォーマンスを向上させ、顧客のニーズを満たし、市場で競争力を維持するために重要です。
セキュリティのためのEIトランスを理解する
データの不均衡の影響を掘り下げる前に、セキュリティのためのEIトランスが何を伴うかを理解することが不可欠です。 EI変圧器は、独自の構造と電気的特性のため、セキュリティシステムで広く使用されています。それらは通常、効率的な磁気結合を提供するE型とI型コアで構成されています。
セキュリティアプリケーションでは、これらの変圧器は監視カメラ、アクセス制御システム、およびアラームシステムで採用されています。たとえば、監視カメラでは、EI変圧器はカメラコンポーネントの電源を供給し、電源を安定させ、電源なしでカメラが効果的に動作できるようにします。サプライヤーとして、私たちはさまざまなEI変圧器を提供します。EIデュアルプライマリ、デュアルセカンダリパワートランス、PCBはEIトランスを使用しました、 そしてEI Medical Power Transformers、それぞれが特定のセキュリティ要件に合わせて調整されました。
データの不均衡とは何ですか？
データの不均衡は、データセット内のクラスの分布が歪んでいるときに発生します。セキュリティのためのEIトランスのコンテキストでは、これは機械学習アルゴリズムを使用してトランスの障害または異常を検出しているシナリオで発生する可能性があります。たとえば、変圧器の通常の動作ケースは、短い回路などの暖房イベントなどの異常なケースよりもはるかに多い可能性があります。
データの不均衡には、クラスの不均衡とメトリックの不均衡という2つの主要なタイプがあります。クラスの不均衡とは、異なるクラスの不均衡な数のサンプルを指します。メトリックの不均衡は、異なるクラス間の誤分類の重要性または価値の違いに関連しています。たとえば、通常のように誤った変圧器を誤分類することは逆よりもはるかに重要ですが、従来のパフォーマンスメトリックはそのような違いを適切に説明しないかもしれません。
モデルトレーニングへの影響
バイアスモデル
トランスセキュリティモニタリングに機械学習モデルを使用する場合、データの不均衡は偏ったモデルにつながる可能性があります。モデルは、トレーニングサンプルの数がはるかに多いため、多数派クラス（私たちの場合の通常の操作）により焦点を合わせている可能性があります。その結果、モデルは通常の症例を認識するのに熟練していますが、異常な症例を特定するのが不十分になります。セキュリティシステムの場合、これは、変圧器の潜在的なセキュリティの脅威が検出されず、セキュリティインフラストラクチャ全体を危険にさらす可能性があることを意味します。
オーバーフィッティング
過剰適合は、モデルトレーニング中のデータの不均衡のもう1つの結果です。このモデルは、多数派のクラスデータに適合しようとしているため、基礎となるパターンを学習するのではなく、そのデータのノイズと特異性を記憶しています。新しい、実際の世界データでテストされた場合、モデルは、特に少数派のクラス（異常なケース）に関しては、よく一般化できません。これにより、実践的なセキュリティアプリケーションのパフォーマンスが低下します。
パフォーマンスメトリックへの影響
精度パラドックス
精度は、一般的に使用されるパフォーマンスメトリックです。ただし、データの不均衡が存在する場合、精度は誤解を招く可能性があります。トランス動作ケースの95％が正常である場合、すべてのインスタンスで「通常」を予測するモデルは95％の精度を達成します。しかし、このモデルは、5％の異常なケースを検出するのに役に立たず、実際にはセキュリティの観点から私たちが最も興味を持っているケースです。
ROCと精度 - 曲線をリコールします
ROC（受信機の動作特性）曲線は、データの不均衡の影響を受ける可能性があります。場合によっては、ROC曲線の下の領域が良好なパフォーマンスを示している可能性がありますが、必ずしもモデルが少数派クラスを効果的に検出できることを意味するわけではありません。一方、リコール曲線は、不均衡なデータセットにより適しています。それらは、陽性（異常な）ケースを識別するモデルの能力のより正確な画像を提供します。高精度のモデルは、誤った陽性の予測がほとんどないことを意味しますが、高いリコールは、陽性の大部分をキャプチャできることを意味します。
セキュリティアプリケーションへの影響
誤報
データの不均衡は、誤報の増加につながる可能性があります。モデルは正常症例と異常な場合を区別する際のパフォーマンスが低いため、通常の操作を異常として誤分類する可能性があります。セキュリティシステムでは、誤ったアラームは不必要な混乱を引き起こし、資源を廃棄し、監視システムへの信頼を減らすことができます。
脅威を逃した
逆に、最も危険な影響は脅威を逃したことです。モデルが異常な変圧器操作を検出できない場合、深刻なセキュリティインシデントにつながる可能性があります。たとえば、変圧器内の短い回路は気付かれず、停電、他のセキュリティコンポーネントの損傷、さらには火災の危険性をもたらす可能性があります。
緩和戦略
データ - レベルアプローチ
データの不均衡に対処する1つの方法は、データ - レベルのアプローチを使用することです。これには、マイノリティクラスのオーバーサンプリングと過半数クラスのアンダーサンプリングが含まれます。 Smote（Syntetic Minority over -Sampling Technique）などのオーバーサンプリング手法は、少数派クラスの合成サンプルを生成し、データセットでの表現を増やします。一方、アンダーサンプリングは、クラスの分布のバランスをとるために、多数派のサンプルのサブセットをランダムに選択します。
アルゴリズム - レベルアプローチ
アルゴリズム - レベルアプローチには、機械学習アルゴリズム自体の変更が含まれます。たとえば、コスト - デリケートラーニングは、さまざまな種類の誤分類に異なるコストを割り当てます。私たちの場合、通常のように故障した変圧器を誤分類するには、逆よりもはるかに高いコストを割り当てることができ、モデルに異常なケースの検出にもっと注意を払うことができます。
アンサンブルメソッド
アンサンブルメソッドは、複数のモデルを組み合わせてパフォーマンスを向上させます。データの不均衡のコンテキストでは、アンサンブルメソッドは、データの異なるサブセットで複数のモデルをトレーニングするか、異なるアルゴリズムを使用することで役立ちます。これにより、データの不均衡をより適切に処理できるより堅牢なモデルにつながる可能性があります。
サプライヤーの視点
セキュリティのためのEIトランスのサプライヤーとして、データの不均衡に対処することの重要性を理解しています。私たちは、変圧器のセキュリティソリューションが信頼性が高く効果的であることを保証するために、常に新しいテクニックを研究し、実装しています。たとえば、マシン - 学習ベースの監視システムのパフォーマンスを向上させるために、高度なデータの処理技術とコスト - 機密学習アルゴリズムの使用を調査しています。
さらに、幅広い変圧器操作から高品質のデータを収集することに取り組んでいます。お客様と緊密に連携することで、より異常なケースを収集し、よりバランスの取れたデータセットを確保することができます。これにより、製品のパフォーマンスが向上するだけでなく、変圧器が設置されているシステムの全体的なセキュリティが向上します。
結論
データの不均衡は、セキュリティのためのEIトランスのパフォーマンスに大きな影響を与えます。モデルトレーニング、パフォーマンスメトリック、および実際の世界セキュリティアプリケーションに影響します。サプライヤーとして、私たちはこれらの影響を軽減し、高品質のセキュリティソリューションを提供するための措置を講じています。セキュリティのためにEIトランスを必要としている場合、私たちのチームはあなたにカスタマイズされた製品とサービスを提供する準備ができています。詳細についてはお気軽にお問い合わせください。特定の要件については、お気軽にお問い合わせください。あなたのシステムのセキュリティを強化するためにあなたと協力することを楽しみにしています。
参照
- 彼、H。、およびガルシア、EA（2008）。不均衡なデータから学ぶ。知識とデータエンジニアリングに関するIEEEトランザクション、21（9）、1263-1284。
- Japkowicz、N。、およびStephen、S。（2002）。クラスの不均衡の問題：体系的な研究。インテリジェントデータ分析、6（5）、429-449。
- Chawla、NV、Bowyer、KW、Hall、LO、＆Kegelmeyer、WP（2002）。スモート：合成マイノリティオーバー - サンプリング手法。 Journal of人工知能研究、16（1）、321-357。