論文の概要: Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders

• arxiv url: http://arxiv.org/abs/1912.12502v2
• Date: Tue, 29 Sep 2020 19:23:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-17 12:47:02.542763
• Title: Implicit supervision for fault detection and segmentation of emerging fault types with Deep Variational Autoencoders
• Title（参考訳）: 深部変分オートエンコーダによる新生断層タイプの検出とセグメンテーションのインプシット監視
• Authors: Manuel Arias Chao, Bryan T. Adey, Olga Fink
• Abstract要約: 本研究では,ラベル付きおよびラベルなしサンプルを用いた可変オートエンコーダ(VAE)を提案する。 これによりコンパクトで情報に富んだ潜在表現が生成され、未確認のフォールトタイプの検出とセグメンテーションが良好になる。 本研究では,提案手法が他の学習方法よりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.160208922584163
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Data-driven fault diagnostics of safety-critical systems often faces the challenge of a complete lack of labeled data associated with faulty system conditions (i.e., fault types) at training time. Since an unknown number and nature of fault types can arise during deployment, data-driven fault diagnostics in this scenario is an open-set learning problem. Most of the algorithms for open-set diagnostics are one-class classification and unsupervised algorithms that do not leverage all the available labeled and unlabeled data in the learning algorithm. As a result, their fault detection and segmentation performance (i.e., identifying and separating faults of different types) are sub-optimal. With this work, we propose training a variational autoencoder (VAE) with labeled and unlabeled samples while inducing implicit supervision on the latent representation of the healthy conditions. This, together with a modified sampling process of VAE, creates a compact and informative latent representation that allows good detection and segmentation of unseen fault types using existing one-class and clustering algorithms. We refer to the proposed methodology as "knowledge induced variational autoencoder with adaptive sampling" (KIL-AdaVAE). The fault detection and segmentation capabilities of the proposed methodology are demonstrated in a new simulated case study using the Advanced Geared Turbofan 30000 (AGTF30) dynamical model under real flight conditions. In an extensive comparison, we demonstrate that the proposed method outperforms other learning strategies (supervised learning, supervised learning with embedding and semi-supervised learning) and deep learning algorithms, yielding significant performance improvements on fault detection and fault segmentation.
• Abstract（参考訳）: 安全クリティカルなシステムのデータ駆動障害診断は、トレーニング時に異常なシステム条件(すなわち障害タイプ)に関連するラベル付きデータの完全な欠如に直面していることが多い。 このシナリオにおけるデータ駆動型障害診断は、デプロイ中に未知の数と本質が生じる可能性があるため、オープンセットの学習問題である。 オープンセット診断のためのアルゴリズムの多くは、学習アルゴリズムで利用可能なラベル付きおよびラベルなしのデータをすべて活用しない一級分類と教師なしアルゴリズムである。 その結果、それらの故障検出およびセグメンテーション性能(すなわち、異なるタイプの故障を特定して分離する)は準最適となる。 本研究は,ラベル付きおよびラベルなしサンプルを用いた変分オートエンコーダ(VAE)のトレーニングと,健康状態の潜伏表現に対する暗黙の監督を導くことを提案する。 これにより、vaeの修正されたサンプリングプロセスとともに、既存の1クラスおよびクラスタリングアルゴリズムを使用して、未検出の障害タイプの検出とセグメンテーションを良好に行えるコンパクトで有益な潜在表現を生成する。 本稿では,提案手法を「適応サンプリング付き知識誘導変分オートエンコーダ(KIL-AdaVAE)」と呼ぶ。 提案手法の故障検出とセグメンテーション能力は, 実飛行条件下でのAdvanced Geared Turbofan 30000 (AGTF30) 力学モデルを用いた新しいシミュレーションケーススタディで実証された。 本研究では,提案手法が他の学習戦略(教師付き学習,埋込み学習,半教師付き学習)やディープラーニングアルゴリズムより優れており,断層検出と断層分割の性能が大幅に向上していることを示す。

関連論文リスト

• Collaborative Feature-Logits Contrastive Learning for Open-Set Semi-Supervised Object Detection [75.02249869573994]
  オープンセットのシナリオでは、ラベルなしデータセットには、イン・ディストリビューション(ID)クラスとアウト・オブ・ディストリビューション(OOD)クラスの両方が含まれている。 このような設定で半教師付き検出器を適用すると、OODクラスをIDクラスとして誤分類する可能性がある。 我々は、CFL-Detector(Collaborative Feature-Logits Detector)と呼ばれるシンプルで効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-11-20T02:57:35Z)
• Can Tree Based Approaches Surpass Deep Learning in Anomaly Detection? A Benchmarking Study [0.6291443816903801]
  本稿では,機械学習に基づく異常検出アルゴリズムの多種多様さを評価する。 本論文は, 種々の異常検出アルゴリズムの非バイアス比較を行うことにより, 顕著に寄与する。
  論文  参考訳（メタデータ） (2024-02-11T19:12:51Z)
• Unsupervised Continual Anomaly Detection with Contrastively-learned Prompt [80.43623986759691]
  UCADと呼ばれる新しい非教師付き連続異常検出フレームワークを提案する。 このフレームワークは、対照的に学習したプロンプトを通じて、UDAに継続的な学習能力を持たせる。 我々は総合的な実験を行い、教師なし連続異常検出とセグメンテーションのベンチマークを設定した。
  論文  参考訳（メタデータ） (2024-01-02T03:37:11Z)
• Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
  電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。 マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。 ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-11-27T03:25:12Z)
• Open-Vocabulary Video Anomaly Detection [57.552523669351636]
  監視の弱いビデオ異常検出(VAD)は、ビデオフレームが正常であるか異常であるかを識別するためにビデオレベルラベルを利用する際、顕著な性能を達成した。 近年の研究は、より現実的な、オープンセットのVADに取り組み、異常や正常なビデオから見えない異常を検出することを目的としている。 本稿ではさらに一歩前進し、未確認および未確認の異常を検知・分類するために訓練済みの大規模モデルを活用することを目的とした、オープン語彙ビデオ異常検出(OVVAD)について検討する。
  論文  参考訳（メタデータ） (2023-11-13T02:54:17Z)
• Learn then Test: Calibrating Predictive Algorithms to Achieve Risk Control [67.52000805944924]
  Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。 私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。 我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
  論文  参考訳（メタデータ） (2021-10-03T17:42:03Z)
• Zero-sample surface defect detection and classification based on semantic feedback neural network [13.796631421521765]
  本論文では,複数角度からの画像タグ埋め込みにおける予測誤差を適応的に低減するアンサンブル協調学習アルゴリズムを提案する。 産業分野におけるゼロショットデータセットとシリンダーライナーデータセットを用いた各種実験により,競争結果が得られた。
  論文  参考訳（メタデータ） (2021-06-15T08:26:36Z)
• Bayesian Structural Learning for an Improved Diagnosis of Cyber-Physical Systems [0.8379286663107844]
  本稿では,構造化診断モデルの自動学習のためのスケーラブルアルゴリズムを提案する。 比較アルゴリズムと同等のパフォーマンスを提供し、解釈性を向上させます。
  論文  参考訳（メタデータ） (2021-04-02T11:14:05Z)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• Data-Driven Fault Diagnosis Analysis and Open-Set Classification of Time-Series Data [1.0152838128195467]
  データ駆動解析とオープンセット分類のためのフレームワークが,故障診断への応用のために開発された。 不均衡なデータセット、クラスオーバーラップ、未知の障害を処理できるデータ駆動型障害分類アルゴリズムが提案されている。 トレーニングデータに既知の故障認識の情報が含まれている場合, 故障の大きさを推定するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-09-10T09:53:13Z)
• Open Set Recognition with Conditional Probabilistic Generative Models [51.40872765917125]
  オープンセット認識のための条件付き確率生成モデル(CPGM)を提案する。 CPGMは未知のサンプルを検出できるが、異なる潜在特徴を条件付きガウス分布に近似させることで、既知のクラスを分類できる。 複数のベンチマークデータセットの実験結果から,提案手法がベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2020-08-12T06:23:49Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。