論文の概要: Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2001.10494v1
- Date: Tue, 28 Jan 2020 17:51:07 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-06 02:25:25.909209
- Title: Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems
- Title(参考訳): 学習型サイバー物理システムにおけるリアルタイム分布検出
- Authors: Feiyang Cai and Xenofon Koutsoukos
- Abstract要約: サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。
しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。
アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
- 参考スコア(独自算出の注目度): 1.4213973379473654
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cyber-physical systems (CPS) greatly benefit by using machine learning
components that can handle the uncertainty and variability of the real-world.
Typical components such as deep neural networks, however, introduce new types
of hazards that may impact system safety. The system behavior depends on data
that are available only during runtime and may be different than the data used
for training. Out-of-distribution data may lead to a large error and compromise
safety. The paper considers the problem of efficiently detecting
out-of-distribution data in CPS control systems. Detection must be robust and
limit the number of false alarms while being computational efficient for
real-time monitoring. The proposed approach leverages inductive conformal
prediction and anomaly detection for developing a method that has a
well-calibrated false alarm rate. We use variational autoencoders and deep
support vector data description to learn models that can be used efficiently
compute the nonconformity of new inputs relative to the training set and enable
real-time detection of out-of-distribution high-dimensional inputs. We
demonstrate the method using an advanced emergency braking system and a
self-driving end-to-end controller implemented in an open source simulator for
self-driving cars. The simulation results show very small number of false
positives and detection delay while the execution time is comparable to the
execution time of the original machine learning components.
- Abstract(参考訳): サイバー物理システム(CPS)は、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで、大きな恩恵を受ける。
しかし、ディープニューラルネットワークのような典型的なコンポーネントは、システムの安全性に影響を与える可能性のある新しいタイプのハザードを導入している。
システムの振る舞いは、実行時にのみ利用可能で、トレーニングに使用されるデータとは異なる可能性があるデータに依存する。
アウトオブディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
本稿では,CPS制御システムにおける配電データの効率よく検出する問題について考察する。
検出は堅牢で、リアルタイム監視の計算効率を保ちながら、誤ったアラームの数を制限する必要がある。
提案手法は,誤警報率の高い手法を開発するために,帰納的等角予測と異常検出を利用する。
本研究では,学習セットに対する新しい入力の不整合を効率的に計算できるモデルの学習に変分オートエンコーダとディープサポートベクターデータ記述を用い,分散高次元入力のリアルタイム検出を可能にする。
本手法は,自動運転車用オープンソースシミュレータに実装された緊急ブレーキシステムとエンドツーエンドコントローラを用いて実証する。
シミュレーションの結果,偽陽性と検出遅延の数が極めて少なく,実行時間は元の機械学習コンポーネントの実行時間に匹敵することが分かった。
関連論文リスト
- Unsupervised Domain Adaptation for Self-Driving from Past Traversal
Features [69.47588461101925]
本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。
提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。
実世界のデータセットの実験では、大幅な改善が示されている。
論文 参考訳(メタデータ) (2023-09-21T15:00:31Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳(メタデータ) (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳(メタデータ) (2022-08-31T18:19:25Z) - Model2Detector:Widening the Information Bottleneck for
Out-of-Distribution Detection using a Handful of Gradient Steps [12.263417500077383]
アウト・オブ・ディストリビューション検出は、長いバニラニューラルネットワークを持つ重要な機能である。
推論時間外分布検出の最近の進歩は、これらの問題のいくつかを緩和するのに役立つ。
提案手法は,一般的な画像データセットにおける検出精度において,常に最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-02-22T23:03:40Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳(メタデータ) (2021-10-12T17:21:41Z) - Improving Variational Autoencoder based Out-of-Distribution Detection
for Embedded Real-time Applications [2.9327503320877457]
アウト・オブ・ディストリビューション(OD)検出は、リアルタイムにアウト・オブ・ディストリビューションを検出するという課題に対処する新しいアプローチである。
本稿では,自律走行エージェントの周囲の有害な動きを頑健に検出する方法について述べる。
提案手法は,OoD因子の検出能力を一意に改善し,最先端手法よりも42%向上した。
また,本モデルでは,実験した実世界およびシミュレーション駆動データに対して,最先端技術よりも97%の精度でほぼ完璧に一般化した。
論文 参考訳(メタデータ) (2021-07-25T07:52:53Z) - Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems
using Variational Autoencoder for Regression [1.5039745292757671]
回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。
提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。
自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
論文 参考訳(メタデータ) (2021-04-14T03:46:37Z) - Out-of-Distribution Detection for Automotive Perception [58.34808836642603]
ニューラルネットワーク(NN)は、自律運転におけるオブジェクト分類に広く使われている。
NNは、アウト・オブ・ディストリビューション(OOD)データとして知られるトレーニングデータセットで適切に表現されていない入力データでフェールすることができる。
本稿では,OODデータを必要としない入力がOODであるか否かを判定し,推論の計算コストを増大させる方法を提案する。
論文 参考訳(メタデータ) (2020-11-03T01:46:35Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳(メタデータ) (2020-10-29T08:27:43Z) - Detecting Adversarial Examples in Learning-Enabled Cyber-Physical
Systems using Variational Autoencoder for Regression [4.788163807490198]
ディープニューラルネットワーク(DNN)は堅牢ではなく、敵対的な例によってモデルが誤った予測をする可能性があることが示されている。
本稿では,CPS の回帰に使用される LEC の逆例を効率よく検出する問題について考察する。
自動運転車用オープンソースシミュレータに実装された緊急ブレーキシステムを用いて,その手法を実証する。
論文 参考訳(メタデータ) (2020-03-21T11:15:33Z) - Assurance Monitoring of Cyber-Physical Systems with Machine Learning
Components [2.1320960069210484]
我々は,サイバー物理システムの保証監視にコンフォメーション予測フレームワークを使用する方法について検討する。
リアルタイムに高次元入力を処理するために,学習モデルの埋め込み表現を用いて非整合性スコアを計算する。
整合性予測を活用することで、この手法は十分に校正された信頼性を提供し、限定された小さなエラー率を保証する監視を可能にする。
論文 参考訳(メタデータ) (2020-01-14T19:34:51Z)
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。