In der Psychologie sowie in den angrenzenden Daten- und Kognitionswissenschaften beschreibt die Deep Anomaly Detection – im Deutschen als tiefe Anomalieerkennung bezeichnet – den Einsatz mehrschichtiger künstlicher neuronaler Netze, um auffällige Abweichungen in Datenreihen, Verhaltensmustern oder physiologischen Signalen automatisiert zu identifizieren. Ausgangspunkt dieser Methodik ist die Erkenntnis, dass komplexe kognitive, emotionale und neuronale Prozesse oft Muster erzeugen, die sich mit traditionellen statistischen Verfahren nicht mehr ausreichend erfassen lassen. Künstliche neuronale Netze nutzen hierbei ihre Fähigkeit, vielschichtige und nicht-lineare Strukturen eigenständig zu erlernen, um Abweichungen von einer erwarteten Norm präzise zu isolieren.
In der psychologischen Forschung und Diagnostik manifestieren sich solche Anomalien auf drei unterschiedliche Weisen. Eine Punktanomalie liegt vor, wenn eine einzelne Messung für sich genommen extrem vom Rest der Daten abweicht, etwa bei einem unvorhergesehenen, heftigen Ausschlag in der Hirnstrommessung eines Patienten. Kontextuelle Anomalien hingegen betreffen Datenpunkte, die isoliert betrachtet völlig unauffällig wirken, jedoch im spezifischen Zusammenhang eine Abweichung darstellen. Ein stark erhöhter Puls ist beispielsweise während körperlicher Anstrengung vollkommen normal, kann jedoch in einer Ruhephase auf eine Panikattacke oder eine autonome Dysregulation hindeuten. Gruppenanomalien wiederum bestehen aus einer Abfolge von Einzelereignissen, die jedes für sich unbedeutend sind, in ihrer Gesamtheit aber ein pathologisches Muster bilden. Dies zeigt sich häufig bei der Früherkennung neurodegenerativer Erkrankungen wie Alzheimer, wo erst die gehäufte Abfolge kleinerer Orientierungsfehler im Alltag auf einen fortschreitenden Abbau hinweist.
Methodisch lässt sich die Ermittlung von Normalität und Abweichung mittels tiefer Lernverfahren in drei zentrale Absätze unterteilen. Der erste Ansatz nutzt vortrainierte neuronale Netze rein zur Merkmalsextraktion. Dabei werden komplexe Rohdaten, wie etwa hochauflösende Aufnahmen der menschlichen Mimik bei Affektstörungen, von einem bestehenden Netzwerk in verarbeitbare Merkmale übersetzt, woraufhin klassische mathematische Distanzprüfungen die Abweichungen bestimmen. Der zweite und am weitesten verbreitete Ansatz basiert auf dem Erlernen einer Repräsentation der Normalität. Hierbei werden die Netzwerke – wie etwa sogenannte Autoencoder oder generative gegnerische Netze – ausschließlich mit unauffälligen, gesunden Daten trainiert. Das Modell lernt dadurch gründlich, wie ein normales Verhalten oder ein gesunder physiologischer Zustand aufgebaut ist. Wird dem System anschließend ein abweichendes Muster vorgelegt, gelingt ihm die Rekonstruktion oder Nachbildung dieser Daten nicht mehr fehlerfrei. Die Stärke dieses Rekonstruktionsfehlers dient dann direkt als Gradmesser für das Vorliegen einer Anomalie. Ein verwandtes Verfahren bildet eine eng abgegrenzte Grenze um alle normalen Datenpunkte im Merkmalsraum; jeder Zustand, der außerhalb dieser Grenze liegt, wird als auffällig klassifiziert. Der dritte Ansatz verzichtet auf den Umweg über die reine Abbildung der Normalität und erlernt direkt einen Wert für das Ausmaß der Abweichung. Über spezielle Ranking-Verfahren oder abweichungsbasierte Netzwerke werden bekannte oder vermutete Störungen gezielt von der erwarteten Normalverteilung getrennt. Das System vergleicht die eingehenden Signale kontinuierlich mit einer vorgegebenen Erwartung und gibt unmittelbar ein Signal aus, wenn ein Messwert zu stark vom Erwartungsfeld abweicht.
In der praktischen Anwendung steht die tiefe Anomalieerkennung vor Herausforderungen wie der extremen Seltenheit echter Störfallmuster, dem Umgang mit Messrauschen in Alltagsdaten und der Anforderung an eine verständliche Erklärbarkeit. Da therapeutische oder medizinische Entscheidungen nachvollziehbar sein müssen, reicht eine reine Kennzeichnung durch ein intransparentes Netz nicht aus; es muss verständlich bleiben, welche konkreten Merkmale zur Einstufung als Anomalie geführt haben.
Literatur
Chandola, V., Banerjee, A., & Kumar, V. (2009). Anomaly detection: A survey. ACM Computing Surveys, 41(3), 1–58.
Hawkins, S., He, H., Williams, G., & Baxter, R. (2002). Outlier detection using replicator neural networks. In K. Bauknecht, A. M. Tjoa, & G. Quirchmayr (Eds.), Data Warehousing and Knowledge Discovery (pp. 170–180). Springer.
Pang, G., Shen, C., Cao, L., & van den Hengel, A. (2021). Deep learning for anomaly detection: A review. ACM Computing Surveys, 54(2), 1–38.
Ruff, L., Görnitz, N., Deecke, L., Siddiqui, S. A., Vandermeulen, R., Binder, A., Müller, E., & Kloft, M. (2018). Deep one-class classification. In Proceedings of the 35th International Conference on Machine Learning (pp. 4390–4399). PMLR.
Schlegl, T., Seeböck, P., Waldstein, S. M., Schmidt-Erfurth, U., & Langs, G. (2017). Unsupervised anomaly detection with generative adversarial networks to guide marker discovery. In M. Niethammer et al. (Eds.), Information Processing in Medical Imaging (pp. 146–157). Springer.
