論文の概要: Comparison of Evolving Granular Classifiers applied to Anomaly Detection
for Predictive Maintenance in Computing Centers
- arxiv url: http://arxiv.org/abs/2005.04156v1
- Date: Wed, 8 Apr 2020 14:08:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-15 07:51:42.456195
- Title: Comparison of Evolving Granular Classifiers applied to Anomaly Detection
for Predictive Maintenance in Computing Centers
- Title（参考訳）: コンピュータセンターにおける予測保守のための異常検出用進化粒状分類器の比較
- Authors: Leticia Decker, Daniel Leite, Fabio Viola, Daniele Bonacorsi
- Abstract要約: CERN(European Organization for Nuclear Research, 欧州原子力研究機構)の物理実験を支援する世界規模のコンピューティンググリッドについて、ログベースのコンピューティングセンターの予測保守が主な関心事である。
目標は、連続的に変更可能なグリッド環境から重要な情報を取得し、分類モデルを構築することである。
我々は,4クラスのオンライン異常分類問題を定式化し,ランドマーク間の時間ウィンドウと2つの粒度計算手法,すなわちFazy-set-based evolution Modeling (FBeM)とGranular Neural Network (eGNN)を併用した。
分類の結果は、特定の時間間隔に優先順位を付けることができるため、予測的保守にとって最も重要である。
- 参考スコア（独自算出の注目度）: 2.617178882286492
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Log-based predictive maintenance of computing centers is a main concern
regarding the worldwide computing grid that supports the CERN (European
Organization for Nuclear Research) physics experiments. A log, as
event-oriented adhoc information, is quite often given as unstructured big
data. Log data processing is a time-consuming computational task. The goal is
to grab essential information from a continuously changeable grid environment
to construct a classification model. Evolving granular classifiers are suited
to learn from time-varying log streams and, therefore, perform online
classification of the severity of anomalies. We formulated a 4-class online
anomaly classification problem, and employed time windows between landmarks and
two granular computing methods, namely, Fuzzy-set-Based evolving Modeling
(FBeM) and evolving Granular Neural Network (eGNN), to model and monitor
logging activity rate. The results of classification are of utmost importance
for predictive maintenance because priority can be given to specific time
intervals in which the classifier indicates the existence of high or medium
severity anomalies.
- Abstract（参考訳）: 計算センターのログベースの予測メンテナンスは、cern(european organization for nuclear research)物理実験をサポートする世界規模のコンピューティンググリッドに関する主要な関心事である。
ログはイベント指向のアドホック情報として、構造化されていないビッグデータとして与えられることが多い。
ログデータ処理は時間を要する計算処理である。
目標は、連続的に変更可能なグリッド環境から重要な情報を取得し、分類モデルを構築することである。
進化する粒度分類器は、時系列のログストリームから学ぶのに適しているため、異常の深刻度をオンラインに分類する。
4級オンライン異常分類問題を定式化し,ランドマークと2つの粒度計算手法,すなわちファジィセットに基づく進化モデリング (fbem) と進化型粒度ニューラルネットワーク (egnn) の時間窓を用いて,ロギング活動率のモデル化と監視を行った。
分類器が高重度または中重度異常の存在を示す特定の時間間隔に優先順位を付けることができるため、分類結果は予測保守にとって最も重要である。
関連論文リスト
- PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
私たちはaを提案します。
フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。
我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
論文 参考訳（メタデータ） (2024-06-04T13:51:08Z) - How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳（メタデータ） (2023-06-04T08:53:27Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - On Principal Curve-Based Classifiers and Similarity-Based Selective
Sampling in Time-Series [0.0]
本稿では,モデル定義における主曲線を構築ブロックとして用いることにより,同じ計算ステップを持つ決定論的選択的サンプリングアルゴリズムを提案する。
オンライン監視装置のラベル付けコストや問題を考えると、ラベルを知っていれば分類器の性能が向上するデータポイントを見つけるアルゴリズムが存在するはずである。
論文 参考訳（メタデータ） (2022-04-10T07:28:18Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Multiple Organ Failure Prediction with Classifier-Guided Generative
Adversarial Imputation Networks [4.040013871160853]
多臓器不全 (MOF) は集中治療室 (ICU) 患者の死亡率が高い重篤な症候群である。
機械学習モデルを電子健康記録に適用することは、欠落した値の広範性のために難しい。
論文 参考訳（メタデータ） (2021-06-22T15:49:01Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳（メタデータ） (2020-06-22T08:35:58Z) - Real-Time Anomaly Detection in Data Centers for Log-based Predictive
Maintenance using an Evolving Fuzzy-Rule-Based Approach [0.0]
我々は、ジュネーブの大型ハドロン衝突型加速器(LHC)における高エネルギー物理実験を支援するイタリアの核物理学研究所(INFN)のTier-1データセンターに焦点を当てた。
そこで本稿では,スライディングタイムウィンドウに基づくログレコードの監視と分類を行うリアルタイム手法と,ファジィルールに基づく分類モデルを提案する。
論文 参考訳（メタデータ） (2020-04-25T21:19:44Z)
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。