> 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-outliers.md).

# 外れ値を特定

以前のデータと比較して外れ値の埋め込みを特定します。

von Mises-Fisher の統計分布解析を用いて、過去データと比較した外れ値埋め込みを特定し、現在の埋め込みベクトルを履歴埋め込みのスライディングウィンドウと比較することで、品質管理、異常検知、データサンプリングのワークフローにおける異常、通常とは異なるパターン、または正常な挙動からの逸脱を検出します。

## このブロックの仕組み

このブロックは、方向統計を用いて埋め込みベクトルを過去データと統計的に比較することで外れ値を検出します。このブロックは：

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:
   * 方向解析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/方向統計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. 履歴埋め込みのスライディングウィンドウを維持します：
   * 正規化された埋め込みを、window\_size まで増加するバッファに格納します
   * バッファが window\_size を超えると、最も古い埋め込みを削除します（FIFO）
   * 統計的比較のために、最新データのローリング履歴を作成します
5. ウォームアップ完了時に von Mises-Fisher（vMF）分布パラメータを当てはめます：
   * **平均方向（mu）**：すべての履歴埋め込みの平均方向を計算します
   * **集中度パラメータ（kappa）**：埋め込みが平均の周囲にどれだけ密集しているかを測定します
   * 統計的推定を用いて埋め込み方向の分布をモデル化します
   * vMF 分布は、超球面上の方向データ（単位ベクトル）に最適です
6. 現在の埋め込みの整列スコアを計算します：
   * 現在の正規化埋め込みと平均方向ベクトルの内積を計算します
   * 現在の埋め込みが典型的な方向にどれだけ整合しているかを測定します
   * 値が高いほど標準への整合性が高く、低いほど逸脱を示します
7. 現在の埋め込みの経験的パーセンタイルを計算します：
   * 平均方向に対するすべての履歴埋め込みの整列スコアを計算します
   * 現在の埋め込みの整列スコアを履歴スコアの中で順位付けします
   * 現在の埋め込みのパーセンタイル位置（0.0 = 最低、1.0 = 最高）を決定します
8. 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 より低い場合、外れ値としてフラグを立てます（例：下位 5%）
   * パーセンタイルが（1 - threshold\_percentile）より高い場合、外れ値としてフラグを立てます（例：上位 5%）
   * 標準からの極端な低下と極端な上昇の両方の逸脱を検出します
9. 3 つの出力を返します：
   * **is\_outlier**：現在の埋め込みが外れ値かどうかを示すブールフラグ
   * **percentile**：埋め込みが履歴データの中でどの位置にランク付けされるかを表す浮動小数点値（0.0-1.0）
   * **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（ウォームアップ後は常に False）

このブロックは、超球面上の方向データ（単位ベクトル）向けに設計された von Mises-Fisher 分布解析を使用します。これにより、方向が大きさよりも重要な高次元埋め込みに適しています。スライディングウィンドウ方式により、統計モデルは最近の傾向に適応しつつ、パーセンタイルベースの検出は履歴パターンと比べて著しく異なる埋め込みを特定します。低いパーセンタイルは典型的なパターンとの整合性が低い埋め込みを示し、高いパーセンタイルは通常とは著しく整合している、または正の方向で異なる埋め込みを示します。

## 一般的な使用例

* **異常検知**：通常のデータから逸脱する異常な画像、オブジェクト、またはパターンを検出します（例：異常な製品バリエーションの特定、異常行動の検出、予期しないパターンのフラグ付け）。これにより異常検知ワークフローを実現します
* **品質管理**：製造または生産における欠陥品や異常品を特定します（例：製品欠陥の検出、品質問題の特定、製造異常のフラグ付け）。これにより品質管理ワークフローを実現します
* **データサンプリング**：手動レビューやさらなる分析のために、興味深い、または異常なデータポイントを特定します（例：ラベリング用に異常な画像をサンプリングする、モデル改善のためのエッジケースを特定する、分析対象として興味深いデータを選択する）。これによりインテリジェントなデータサンプリングワークフローを実現します
* **変化検出**：データパターンが履歴上の標準から大きく変化したときに検出します（例：シーンの変化を検出する、パターンのシフトを特定する、重大な変動をフラグ付けする）。これにより変化検知ワークフローを実現します
* **モデル監視**：埋め込みが学習時の分布から逸脱したときに検出することで、モデルの性能を監視します（例：分布シフトの検出、分布外データの特定、モデルドリフトの監視）。これによりモデル監視ワークフローを実現します
* **コンテンツフィルタリング**：期待されるパターンと異なる異常または不適切なコンテンツを特定します（例：異常なコンテンツの検出、不適切な素材のフラグ付け、コンテンツ異常の特定）。これによりコンテンツフィルタリングワークフローを実現します

## 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、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）を用いて埋め込みの外れ値を分析します（例：CLIP 埋め込みから外れ値を特定する、Perception Encoder の外れ値を分析する、埋め込みから異常を検出する）。これにより埋め込みから外れ値へのワークフローを実現します
* **分類または検出ブロックの後** 埋め込みを用いて異常な予測を特定します（例：異常な検出の特定、異常な分類のフラグ付け、外れ値予測の検出）。これにより予測から外れ値へのワークフローを実現します
* **ロジックブロックの前** Continue If などを使って、外れ値検出に基づいて判断します（例：外れ値が検出されたら続行する、外れ値の状態に基づいてフィルタリングする、異常でアクションをトリガーする）。これにより外れ値ベースの判断ワークフローを実現します
* **通知ブロックの前に** 外れ値検出をアラートにします（例：異常を通知する、異常なデータを通知する、外れ値でアラートをトリガーする）。これにより外れ値ベースの通知ワークフローを実現します
* **データ保存ブロックの前に** 外れ値情報を記録します（例：外れ値データをログに記録する、異常統計を保存する、異常なデータポイントを記録する）。これにより外れ値データのログ記録ワークフローを実現します
* **品質管理パイプラインにおいて** 外れ値検出が品質保証の一部である場合（例：品質パイプラインで外れ値を除外する、生産ワークフローの問題を特定する、処理チェーンの問題を検出する）。これにより品質管理ワークフローを実現します

## 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 などの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全体で内部状態を保持し、履歴埋め込みのスライディングウィンドウを蓄積します。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、このブロックは is\_outlier=False と percentile=0.5 を返します。ウォームアップ後、このブロックは少なくとも `ウォームアップ` 個の埋め込み（最大 `window_size` 個の埋め込み）を使用して統計的ベースラインを確立します。threshold\_percentile パラメータ（0.0-1.0）は感度を制御します。値を低くすると（例：0.01）極端な外れ値のみを検出し、値を高くすると（例：0.1）より中程度の逸脱を検出します。埋め込みモデルが一貫している場合に最も効果的であり、データに予想されるばらつきに応じて threshold\_percentile の調整が必要になることがあります。

### 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_outliers@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。                                                                                                                                                                                                                                  | ❌  |
| `threshold_percentile` | `float` | 外れ値検出のためのパーセンタイル閾値。範囲は 0.0-1.0 です。このパーセンタイルより低い、または（1 - threshold\_percentile）より高い埋め込みは外れ値としてフラグ付けされます。値を低くすると（例：0.01）極端な外れ値のみを検出し、非常に厳格になります。値を高くすると（例：0.1）より中程度の逸脱を検出し、より感度が高くなります。デフォルトの 0.05 は下位 5% と上位 5% を外れ値とみなします。データに予想されるばらつきに応じて調整してください。 | ✅  |
| `ウォームアップ`              | `int`   | 外れ値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、ベースライン確立のため外れ値は識別されません（is\_outlier=False）。統計解析には少なくとも 2 が必要です。一般的な範囲：3〜100 サンプル。値が大きいほどベースラインは安定しますが、外れ値検出は遅れます。値が小さいほど検出は速くなりますが、初期精度は低くなる可能性があります。                                                             | ✅  |
| `window_size`          | `int`   | スライディングウィンドウで保持する履歴埋め込みの最大数。このブロックは、統計的比較のために最新の window\_size 個の埋め込みを保持します。上限を超えると、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、分布変化への適応は遅くなります。ウィンドウが小さいほど適応は速くなりますが、安定性は低くなる可能性があります。無制限のウィンドウにするには None に設定します（すべての履歴データを使用）。一般的な範囲：10〜100 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。 `外れ値を特定` 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、von Mises-Fisher 分布を用いた方向統計解析のために単位長に正規化されます。任意の次元の数値ベクトルでなければなりません。
  * `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)）：外れ値検出のためのパーセンタイル閾値。範囲は 0.0-1.0 です。このパーセンタイルより低い、または（1 - threshold\_percentile）より高い埋め込みは外れ値としてフラグ付けされます。値を低くすると（例：0.01）極端な外れ値のみを検出し、非常に厳格になります。値を高くすると（例：0.1）より中程度の逸脱を検出し、より感度が高くなります。デフォルトの 0.05 は下位 5% と上位 5% を外れ値とみなします。データに予想される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)）：外れ値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、ベースライン確立のため外れ値は識別されません（is\_outlier=False）。統計解析には少なくとも 2 が必要です。一般的な範囲：3〜100 サンプル。値が大きいほどベースラインは安定しますが、外れ値検出は遅れます。値が小さいほど検出は速くなりますが、初期精度は低くなる可能性があります。
  * `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履歴埋め込みの最大数。このブロックは、統計的比較のために最新の window\_size 個の埋め込みを保持します。上限を超えると、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、分布変化への適応は遅くなります。ウィンドウが小さいほど適応は速くなりますが、安定性は低くなる可能性があります。無制限のウィンドウにするには None に設定します（すべての履歴データを使用）。一般的な範囲：10〜100 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]`.
  * `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_outliers@v1",
	    "embedding": "$steps.clip.embedding",
	    "threshold_percentile": 0.05,
	    "warmup": 3,
	    "window_size": 32
	}
```

</details>
