> For the complete documentation index, see [llms.txt](https://docs.roboflow.com/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.roboflow.com/workflows/ja/burokku/blocks/video-processing/identify-changes.md).

# 変化を特定

埋め込みを通じて、以前のデータと比較した変化を特定します。

埋め込みベクトルを時間経過で追跡し、コサイン類似度の変化を測定し、変化率の統計を計算し、変更検出、異常監視、変化率分析、時系列パターン検出のワークフローにおいて、変化を特定し、データパターンが履歴上の基準と比べて通常とは異なる速度で変化したときに異常を検出します。

## このブロックの仕組み

このブロックは、埋め込みが時間の経過とともにどれだけ速く変化するかを監視し、現在の変化率を過去のパターンと比較することで変化を検出します。このブロックは次の処理を行います:

1. 現在のデータポイントの特徴を表す埋め込みベクトルを受け取る
2. 埋め込みを単位長に正規化します:
   * コサイン類似度の計算のために埋め込みを単位ベクトル（長さ = 1）に変換します
   * 距離ベースの指標ではなく角度類似度を用いた比較を可能にします
   * ゼロベクトルは正規化をスキップして適切に処理します
3. サンプル数とウォームアップ状態を追跡します:
   * 処理された各埋め込みごとにサンプルカウンタを増やします
   * まだウォームアップ期間中かどうかを判定します（samples < warmup パラメータ）
   * ウォームアップ中は、基準を確立するために外れ値は識別されません
4. 3つの戦略のいずれかを用いて、埋め込みの平均と標準偏差のランニング統計を維持します:

   **指数移動平均（EMA）戦略の場合:**

   * smoothing\_factor を使った指数移動平均で平均と分散を更新します
   * より新しい埋め込みにより大きな重みが与えられます（smoothing\_factor によって制御）
   * 履歴の文脈を維持しながら、最近の傾向にすばやく適応します
   * smoothing\_factor が応答性を決定します（高いほど最近の変化により敏感）

   **単純移動平均（SMA）戦略の場合:**

   * Welford の方法を使ってランニング平均と分散を計算します
   * すべての過去サンプルが統計に同じ重みで寄与します
   * 時間の経過に対して安定的で偏りのない推定を提供します
   * 一貫した長期的な追跡に適しています

   **スライディングウィンドウ戦略の場合:**

   * 最近の埋め込みを固定サイズのウィンドウ（window\_size）で保持します
   * ウィンドウサイズを超えた場合、最も古い埋め込みを削除します（FIFO）
   * ウィンドウの内容だけから平均と標準偏差を計算します
   * 古い情報を破棄し、最近の傾向にすばやく適応します
5. 現在の埋め込みとランニング平均の間のコサイン類似度を計算します:
   * 現在の埋め込みが典型的な埋め込みパターンとどれだけ似ているかを測定します
   * コサイン類似度は -1（正反対）から 1（一致）までの範囲です
   * 1 に近い値は、埋め込みが基準に近いことを示します
   * 1 から離れるほど、埋め込みが基準と異なることを示します
6. コサイン類似度の統計を監視して変化率を追跡します:
   * コサイン類似度の値のランニング平均と標準偏差を維持します
   * コサイン類似度の追跡に同じ戦略（EMA、SMA、またはスライディングウィンドウ）を使用します
   * 埋め込みが過去の変化率と比べてどれだけ速く変化しているかを測定します
   * 平均変化率と変化率のばらつきの両方を追跡します
7. 現在のコサイン類似度の z スコアを計算します:
   * 現在のコサイン類似度が平均から標準偏差で何個分離れているかを測定します
   * z スコア = (現在のコサイン類似度 - 平均コサイン類似度) / コサイン類似度の標準偏差
   * 正の z スコアは、通常より速い変化を示します
   * 負の z スコアは、通常より遅い変化を示します
8. z スコアをパーセンタイルに変換します:
   * 誤差関数（erf）を使って z スコアをパーセンタイル位置に変換します
   * パーセンタイルは、現在の変化率が過去の変化率の中でどの位置にあるかを表します
   * 0.0 に近い値は、異常に遅い変化（低いパーセンタイル）を示します
   * 1.0 に近い値は、異常に速い変化（高いパーセンタイル）を示します
9. パーセンタイルの閾値に基づいて外れ値かどうかを判定します:
   * パーセンタイルが threshold\_percentile/2 未満の場合、外れ値としてフラグします（異常に遅い変化）
   * パーセンタイルが (1 - threshold\_percentile/2) を超える場合、外れ値としてフラグします（異常に速い変化）
   * 異常に速い変化率と異常に遅い変化率の両方を検出します
10. 次の反復のためにランニング統計を更新します:
    * 選択した戦略を使って、埋め込みの平均と標準偏差を更新します
    * 選択した戦略を使って、コサイン類似度の平均と標準偏差を更新します
    * ワークフロー実行をまたいで状態を維持します
11. 6つの出力を返します:
    * **is\_outlier**: 変化率が異常かどうかを示すブールフラグ
    * **percentile**: 変化率が履歴上でどの位置にあるかを示す 0.0-1.0 の浮動小数点値
    * **z\_score**: 平均変化率からの標準偏差を表す浮動小数点値
    * **average**: 現在の平均埋め込みベクトル（過去の埋め込みのランニング平均）
    * **std**: 埋め込みの現在の標準偏差ベクトル（各次元ごとのばらつき）
    * **warming\_up**: まだウォームアップ期間中かどうかを示すブールフラグ

このブロックは **変化率** を監視し、単に外れ値を検出するだけではありません。埋め込みがどれだけ速く変化しているかを追跡し、それを過去の変化パターンと比較します。埋め込みの変化が過去より大幅に速い、または遅い場合、このブロックはそれを異常としてフラグします。これにより、突然のパターン変化、予期しないシーンの変化、または異常な行動パターンを検出するのに最適です。3つの戦略（EMA、SMA、スライディングウィンドウ）は、応答性と安定性の間で異なるトレードオフを提供します。

## 一般的な使用例

* **変化検出**: シーン、環境、またはパターンが予期せず変化したときを検出します（例: シーン変化の検出、突然のパターン変化の特定、予期しない環境変化のフラグ付け）。これにより、変化検出ワークフローが可能になります
* **異常監視**: 行動やパターンにおける異常な変化を監視します（例: 異常な行動変化の検出、異常なパターン変動の監視、予期しない変化率のフラグ付け）。これにより、異常監視ワークフローが可能になります
* **変化率分析**: データストリームにおける異常な変化率を分析・検出します（例: 異常に速い変化の検出、異常に遅い変化の特定、変化率パターンの監視）。これにより、変化率分析ワークフローが可能になります
* **時系列パターン検出**: 時系列パターンが期待される変化率から逸脱したときを特定します（例: パターンの乱れの検出、時系列の異常の特定、時系列の不整合のフラグ付け）。これにより、時系列パターン検出ワークフローが可能になります
* **品質監視**: 品質や特性における予期しない変化を監視します（例: 品質劣化の検出、予期しない品質変化の特定、特性変動の監視）。これにより、品質監視ワークフローが可能になります
* **イベント検出**: 異常な変化率に基づいて重要なイベントを検出します（例: 重要なイベントの検出、重要な変化の特定、注目すべきパターン変化のフラグ付け）。これにより、イベント検出ワークフローが可能になります

## 他のブロックへの接続

このブロックは埋め込みを受け取り、is\_outlier、percentile、z\_score、average、std、および warming\_up の出力を生成します:

* **埋め込みモデルブロックの後** （CLIP、Perception Encoder など）の後に埋め込みから変化率を分析します（例: CLIP 埋め込みから変化を検出、Perception Encoder の変化率を分析、埋め込みベースの変化を監視）。これにより、埋め込みから変化へのワークフローが可能になります
* **分類または検出ブロックの後** 埋め込みと組み合わせて異常な変化パターンを特定します（例: 異常な検出変化の検出、異常な分類変化のフラグ付け、予測パターン変化の監視）。これにより、予測から変化へのワークフローが可能になります
* **ロジックブロックの前** Continue If のようなブロックで変化検出に基づいて判断します（例: 変化が検出されたら続行、変化率に基づいてフィルタ、異常な変化でアクションをトリガー）。これにより、変化ベースの意思決定ワークフローが可能になります
* **通知ブロックの前に** 変化検出に関してアラートを出します（例: 重要な変化で通知、パターンの変化を知らせる、変化率の異常でアラートをトリガー）。これにより、変化ベースの通知ワークフローが可能になります
* **データ保存ブロックの前に** 変化情報を記録します（例: 変化データのログ、変化統計の保存、変化率メトリクスの記録）。これにより、変化データのログ記録ワークフローが可能になります
* **監視パイプラインでは** 変化検出が継続的監視の一部である場合（例: 観測システム内の変化の監視、パターン変動の追跡、監視ワークフローでの異常検出）。これにより、変化監視ワークフローが可能になります

## 要件

このブロックは入力として埋め込みを必要とします（通常は CLIP や Perception Encoder のような埋め込みモデルブロックからのものです）。このブロックはワークフロー実行をまたいで内部状態を維持し、埋め込みとコサイン類似度の両方についてランニング統計を追跡します。ウォームアップ期間中（最初の `ウォームアップ` サンプル）では外れ値は識別されず、is\_outlier=False、percentile=0.5、warming\_up=True が返されます。ウォームアップ後、このブロックは選択された戦略（EMA、SMA、またはスライディングウィンドウ）を使って統計を追跡し、変化率の異常を検出します。threshold\_percentile パラメータ（0.0-1.0）は感度を制御します。値が低いほど極端な変化率のみを検出し、高いほどより中程度の変化率の逸脱を検出します。戦略の選択は応答性に影響します。EMA は最近の傾向にすばやく適応し、SMA は安定した長期追跡を提供し、スライディングウィンドウはすばやく適応する一方で古い情報を破棄します。このブロックは一貫した埋め込みモデルで最も効果的に動作し、データ内で予想されるばらつきや変化パターンに応じて threshold\_percentile と戦略の調整が必要になる場合があります。

### タイプ識別子

ステップで次の識別子を使用してください `"type"` フィールド: `roboflow_core/identify_changes@v1` を、ワークフローにステップとして追加します。

### プロパティ

| **名前**                 | **型**   | **説明**                                                                                                                                                                                                                                                                                | 参照 |
| ---------------------- | ------- | ------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------- | -- |
| `name`                 | `str`   | ワークフロー内のステップの一意な名前。                                                                                                                                                                                                                                                                   | ❌  |
| `strategy`             | `str`   | 埋め込みおよび変化率統計を追跡するための統計戦略。'Exponential Moving Average (EMA)': 最近の傾向にすばやく適応し、最近のデータにより大きな重みを与えます。'Simple Moving Average (SMA)': 安定した長期追跡で、すべてのデータが同じ重みで寄与します。'Sliding Window': 迅速な適応、最近の window\_size サンプルのみを使用します。EMA は適応的な監視に最適で、SMA は安定した追跡に適しており、Sliding Window は迅速な適応に適しています。      | ❌  |
| `threshold_percentile` | `float` | 変化率の異常検出のためのパーセンタイル閾値。範囲は 0.0-1.0 です。threshold\_percentile/2 未満、または (1 - threshold\_percentile/2) を超える変化率は外れ値としてフラグされます。低い値（例: 0.05）は極端な変化率のみを検出します - 非常に厳格です。高い値（例: 0.3）はより中程度の変化率の逸脱を検出します - より感度が高くなります。デフォルトの 0.2 は、変化率の下位 10% と上位 10% が外れ値であることを意味します。期待される変化率のばらつきに応じて調整してください。 | ✅  |
| `ウォームアップ`              | `int`   | 変化検出を開始する前に必要な初期データポイント数。ウォームアップ中は、変化率の基準を確立するために外れ値は識別されません（is\_outlier=False）。統計分析のためには少なくとも 2 である必要があります。一般的な範囲: 3-100 サンプル。値が高いほど基準は安定しますが、変化検出は遅れます。値が低いほどより速く検出できますが、初期の精度は低くなる可能性があります。                                                                                        | ✅  |
| `smoothing_factor`     | `float` | 指数移動平均戦略のための平滑化係数（alpha）。範囲は 0.0-1.0 です。最近のデータに対する応答性を制御します。値が高いほど統計は最近の変化により敏感になり、値が低いほどより多くの履歴コンテキストを維持します。例: 0.1 は現在値に 10% の重み、履歴平均に 90% の重みを意味します。一般的な範囲: 0.05-0.3。strategy が 'Exponential Moving Average (EMA)' の場合にのみ使用されます。                                                    | ✅  |
| `window_size`          | `int`   | スライディングウィンドウで保持する最近の埋め込みの最大数。これを超えると、最も古い埋め込みが削除されます（FIFO）。ウィンドウが大きいほど統計は安定しますが、変化への適応は遅くなります。ウィンドウが小さいほどより速く適応しますが、安定性は低くなる場合があります。strategy が 'Sliding Window' の場合にのみ使用されます。少なくとも 2 である必要があります。一般的な範囲: 5-50 埋め込み。                                                                    | ✅  |

この **参照** この列は、 `workflow` の実行時に利用可能な動的値でプロパティをパラメータ化できる可能性を示します。 *バインディング* の詳細を参照してください。

### 実行時互換性

`ソフト` - ランタイム `hosted_serverless`, `dedicated_deployment`; 実行 `リモート`; 入力 `動画` : このブロックは、動画ごとの状態をプロセスメモリ内に保持します（video\_metadata.video\_identifierでキー付け）。ステートレスまたは複数レプリカのHTTPランタイムでリモートステップ実行を行うと、連続したリクエストが異なるワーカープロセスで処理される可能性があるため、呼び出し間で状態がリセットされ、トラッキング／カウント／集計には出力が無意味になります。フレーム間で安定した結果を得るには、InferencePipeline内でローカルステップ実行を使用してください。

`ソフト` - 入力 `image` : このブロックは、動画または繰り返しフレームのワークフローからの時間的コンテキストに依存します。静止画像／写真では、追跡、比較、集計、可視化に意味のある履歴がないため、このブロックの利点はほとんど、またはまったくありません。

### 入力および出力バインディング

利用可能な接続は、そのバインディング種別に依存します。 `変化の識別` バージョン `v1` に、どのバインディング種別があるか確認してください。

<details>

<summary>入力と出力のバインディング</summary>

* input
  * `embedding` ([*`embedding`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/embedding.md)): 現在のデータポイントの特徴を表す埋め込みベクトル。通常は CLIP や Perception Encoder などの埋め込みモデルから取得されます。埋め込みはコサイン類似度計算のために単位長に正規化されます。このブロックは現在の埋め込みをランニング平均と比較し、時間経過に伴う変化率を追跡します。
  * `threshold_percentile` ([*`0から1の浮動小数`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 変化率の異常検出のためのパーセンタイル閾値。範囲は 0.0-1.0 です。threshold\_percentile/2 未満、または (1 - threshold\_percentile/2) を超える変化率は外れ値としてフラグされます。低い値（例: 0.05）は極端な変化率のみを検出します - 非常に厳格です。高い値（例: 0.3）はより中程度の変化率の逸脱を検出します - より感度が高くなります。デフォルトの 0.2 は、変化率の下位 10% と上位 10% が外れ値であることを意味します。期待される変化率のばらつきに応じて調整してください。
  * `ウォームアップ` ([*`integer`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)): 変化検出を開始する前に必要な初期データポイント数。ウォームアップ中は、変化率の基準を確立するために外れ値は識別されません（is\_outlier=False）。統計分析のためには少なくとも 2 である必要があります。一般的な範囲: 3-100 サンプル。値が高いほど基準は安定しますが、変化検出は遅れます。値が低いほどより速く検出できますが、初期の精度は低くなる可能性があります。
  * `smoothing_factor` ([*`0から1の浮動小数`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): 指数移動平均戦略のための平滑化係数（alpha）。範囲は 0.0-1.0 です。最近のデータに対する応答性を制御します。値が高いほど統計は最近の変化により敏感になり、値が低いほどより多くの履歴コンテキストを維持します。例: 0.1 は現在値に 10% の重み、履歴平均に 90% の重みを意味します。一般的な範囲: 0.05-0.3。strategy が 'Exponential Moving Average (EMA)' の場合にのみ使用されます。
  * `window_size` ([*`integer`*](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/integer.md)): スライディングウィンドウで保持する最近の埋め込みの最大数。これを超えると、最も古い埋め込みが削除されます（FIFO）。ウィンドウが大きいほど統計は安定しますが、変化への適応は遅くなります。ウィンドウが小さいほどより速く適応しますが、安定性は低くなる場合があります。strategy が 'Sliding Window' の場合にのみ使用されます。少なくとも 2 である必要があります。一般的な範囲: 5-50 埋め込み。
* output
  * `is_outlier` ([`boolean`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)): ブールフラグ。
  * `percentile` ([`0から1の浮動小数`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float-zero-to-one.md)): `float` 範囲内の値 `[0.0, 1.0]`.
  * `z_score` ([`float`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/float.md)): 浮動小数点値。
  * `average` ([`embedding`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/embedding.md)): ベクトル埋め込みを表す浮動小数点数のリスト。
  * `std` ([`embedding`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/embedding.md)): ベクトル埋め込みを表す浮動小数点数のリスト。
  * `warming_up` ([`boolean`](https://docs.roboflow.com/workflows/ja/gaido/developer-guide/kinds/boolean.md)): ブールフラグ。

</details>

<details>

<summary>JSON定義の例</summary>

```json
{
	    "name": "<your_step_name_here>",
	    "type": "roboflow_core/identify_changes@v1",
	    "strategy": "指数移動平均（EMA）",
	    "embedding": "$steps.clip.embedding",
	    "threshold_percentile": 0.2,
	    "warmup": 3,
	    "smoothing_factor": 0.1,
	    "window_size": 10
	}
```

</details>
