論文の概要: Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance

• arxiv url: http://arxiv.org/abs/2003.05070v1
• Date: Wed, 11 Mar 2020 01:30:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-24 13:38:16.211106
• Title: Multi-Objective Variational Autoencoder: an Application for Smart Infrastructure Maintenance
• Title（参考訳）: 多目的変分オートエンコーダのスマートインフラストラクチャメンテナンスへの応用
• Authors: Ali Anaissi, Seid Miad Zandavi
• Abstract要約: マルチウェイセンシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変分オートエンコーダ(MVA)手法を提案する。 そこで本手法では,複数のセンサから情報的特徴を抽出し,損傷同定に活用する。
• 参考スコア（独自算出の注目度）: 1.2311105789643062
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-way data analysis has become an essential tool for capturing underlying structures in higher-order data sets where standard two-way analysis techniques often fail to discover the hidden correlations between variables in multi-way data. We propose a multi-objective variational autoencoder (MVA) method for smart infrastructure damage detection and diagnosis in multi-way sensing data based on the reconstruction probability of autoencoder deep neural network (ADNN). Our method fuses data from multiple sensors in one ADNN at which informative features are being extracted and utilized for damage identification. It generates probabilistic anomaly scores to detect damage, asses its severity and further localize it via a new localization layer introduced in the ADNN. We evaluated our method on multi-way datasets in the area of structural health monitoring for damage diagnosis purposes. The data was collected from our deployed data acquisition system on a cable-stayed bridge in Western Sydney and from a laboratory based building structure obtained from Los Alamos National Laboratory (LANL). Experimental results show that the proposed method can accurately detect structural damage. It was also able to estimate the different levels of damage severity, and capture damage locations in an unsupervised aspect. Compared to the state-of-the-art approaches, our proposed method shows better performance in terms of damage detection and localization.
• Abstract（参考訳）: マルチウェイデータ解析は、標準的な双方向分析技術がマルチウェイデータ内の変数間の隠れた相関を見つけられなかった高次データセットの基盤構造を捉える上で必須のツールとなっている。 本稿では,自動エンコーダ深層ニューラルネットワーク(ADNN)の再構成確率に基づいて,多方向センシングデータにおけるスマートインフラストラクチャ損傷検出と診断のための多目的変動型オートエンコーダ(MVA)手法を提案する。 本手法では,複数のセンサからのデータを1つのadnnに融合し,情報的特徴を抽出し,損傷同定に利用する。 損傷を検出するために確率的異常スコアを生成し、その重大度を和らげ、adnnに導入された新しい局在層を介してさらに局所化する。 損傷診断のための構造的健康モニタリング領域におけるマルチウェイデータセットの評価を行った。 データは、西シドニーのケーブル橋に架かるデータ取得システムと、ロスアラモス国立研究所(lanl)から得られた実験室ベースの建物構造から収集したものです。 実験の結果,提案手法は構造損傷を正確に検出できることがわかった。 また、損傷の重大さの異なるレベルを推定し、監視されていない側面で損傷箇所を捉えることもできた。 現状の手法と比較して,本手法は損傷検出と局所化の点で優れた性能を示す。

関連論文リスト

• Deep Learning for Network Anomaly Detection under Data Contamination: Evaluating Robustness and Mitigating Performance Degradation [0.0]
  ディープラーニング(DL)は、サイバーセキュリティのためのネットワーク異常検出(NAD)において重要なツールとして登場した。 異常検出のためのDLモデルはデータから特徴や学習パターンを抽出するのに優れているが、データ汚染には弱い。 本研究では,データ汚染に対する6つの教師なしDLアルゴリズムのロバスト性を評価する。
  論文  参考訳（メタデータ） (2024-07-11T19:47:37Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
  我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。 大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
  論文  参考訳（メタデータ） (2024-05-13T13:47:15Z)
• CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
  本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。 時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。 その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
  論文  参考訳（メタデータ） (2023-11-07T11:57:33Z)
• Semi-supervised detection of structural damage using Variational Autoencoder and a One-Class Support Vector Machine [0.0]
  本稿では,構造異常を検出するためのデータ駆動型手法を用いた半教師付き手法を提案する。 IASC-ASCE 構造健康モニタリングタスクグループによって9つの損傷シナリオで試験されたスケールスチール構造に適用した。
  論文  参考訳（メタデータ） (2022-10-11T07:39:08Z)
• Transfer Learning for Fault Diagnosis of Transmission Lines [55.971052290285485]
  事前学習されたLeNet-5畳み込みニューラルネットワークに基づく新しい伝達学習フレームワークを提案する。 ソースニューラルネットワークから知識を転送して、異種ターゲットデータセットを予測することで、異なる伝送ラインの長さとインピーダンスの障害を診断することができる。
  論文  参考訳（メタデータ） (2022-01-20T06:36:35Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• The Deep Radial Basis Function Data Descriptor (D-RBFDD) Network: A One-Class Neural Network for Anomaly Detection [7.906608953906889]
  異常検出は機械学習において難しい問題である。 放射状基底関数データ記述子(rbfdd)ネットワークは異常検出に有効なソリューションである。 本稿では,RBFDDネットワークを改良して深層一級分類器に変換する手法について検討する。
  論文  参考訳（メタデータ） (2021-01-29T15:15:17Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Understanding and Diagnosing Vulnerability under Adversarial Attacks [62.661498155101654]
  ディープニューラルネットワーク(DNN)は敵の攻撃に弱いことが知られている。 本稿では,潜在変数の分類に使用される特徴を説明するために,新しい解釈可能性手法であるInterpretGANを提案する。 また、各層がもたらす脆弱性を定量化する最初の診断方法も設計する。
  論文  参考訳（メタデータ） (2020-07-17T01:56:28Z)
• NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
  機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。 既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。 本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
  論文  参考訳（メタデータ） (2020-06-11T17:39:07Z)

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。