論文の概要: Interpretable, Multidimensional, Multimodal Anomaly Detection with Negative Sampling for Detection of Device Failure

• arxiv url: http://arxiv.org/abs/2007.10088v1
• Date: Sun, 12 Jul 2020 21:07:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 06:14:02.415261
• Title: Interpretable, Multidimensional, Multimodal Anomaly Detection with Negative Sampling for Detection of Device Failure
• Title（参考訳）: デバイス故障検出のための負サンプリングによる解釈可能多次元マルチモーダル異常検出
• Authors: John Sipple
• Abstract要約: 正の観察サンプルから負のサンプルを生成する教師なし異常検出法を提案する。 ニューラルネットワーク分類器による負のサンプリングは、分離林、一級SVM、ディープSVDDよりもAUCスコアが有意に高いことを示す。 ニューラルネットワーク分類器による負のサンプリングが、Googleのオフィスビル145の15,000以上の気候制御と電力メータデバイスにおいて、失敗をリアルタイムで予測するために、大規模なデプロイに成功した方法について説明する。
• 参考スコア（独自算出の注目度）: 6.09170287691728
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex devices are connected daily and eagerly generate vast streams of multidimensional state measurements. These devices often operate in distinct modes based on external conditions (day/night, occupied/vacant, etc.), and to prevent complete or partial system outage, we would like to recognize as early as possible when these devices begin to operate outside the normal modes. Unfortunately, it is often impractical or impossible to predict failures using rules or supervised machine learning, because failure modes are too complex, devices are too new to adequately characterize in a specific environment, or environmental change puts the device into an unpredictable condition. We propose an unsupervised anomaly detection method that creates a negative sample from the positive, observed sample, and trains a classifier to distinguish between positive and negative samples. Using the Contraction Principle, we explain why such a classifier ought to establish suitable decision boundaries between normal and anomalous regions, and show how Integrated Gradients can attribute the anomaly to specific variables within the anomalous state vector. We have demonstrated that negative sampling with random forest or neural network classifiers yield significantly higher AUC scores than Isolation Forest, One Class SVM, and Deep SVDD, against (a) a synthetic dataset with dimensionality ranging between 2 and 128, with 1, 2, and 3 modes, and with and without noise dimensions; (b) four standard benchmark datasets; and (c) a multidimensional, multimodal dataset from real climate control devices. Finally, we describe how negative sampling with neural network classifiers have been successfully deployed at large scale to predict failures in real time in over 15,000 climate-control and power meter devices in 145 Google office buildings.
• Abstract（参考訳）: 複雑なデバイスは毎日接続され、多次元状態測定の膨大なストリームを熱心に生成する。 これらのデバイスは、しばしば外部の状態(昼/夜、占有/空室など)に基づいて異なるモードで動作し、完全または部分的なシステム停止を防止するため、これらのデバイスが通常のモードの外で動作し始めると、できるだけ早く認識したい。 残念ながら、障害モードは複雑すぎるため、デバイスが特定の環境で適切に特徴付けるには新すぎるため、あるいは環境変化によってデバイスを予測不可能な状態にするため、ルールや教師付き機械学習を使用して障害を予測することは現実的あるいは不可能であることが多い。 本研究では,正のサンプルから負のサンプルを生成し,正のサンプルと負のサンプルを区別する分類器を訓練する教師なし異常検出法を提案する。 契約原理を用いて、そのような分類器が正規領域と異常領域の間の適切な決定境界を確立する必要がある理由を説明し、統合勾配が異常状態ベクトル内の特定の変数に異常をどう属性するかを示す。 我々は無作為な森林やニューラルネットワーク分類器による負のサンプリングが分離林、一級SVM、ディープSVDDよりもAUCスコアが有意に高いことを示した。 (a)2〜128の寸法で、1,2,3のモードを有し、かつ、ノイズ寸法がない合成データセット b) 4つの標準ベンチマークデータセット (c)実気候制御装置からの多次元多モードデータセット。 最後に,145のgoogle officeビルの15,000以上の気候制御および電力メータデバイスにおいて,ニューラルネットワーク分類器による負のサンプリングが大規模に展開され,リアルタイムに障害を予測することに成功した方法について述べる。

関連論文リスト

• FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
  ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。 本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。 本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
  論文  参考訳（メタデータ） (2024-11-25T05:51:38Z)
• Anomaly Detection by Context Contrasting [57.695202846009714]
  異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。 近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。 我々はコンテキスト拡張を通じて学習するCon$を提案する。
  論文  参考訳（メタデータ） (2024-05-29T07:59:06Z)
• Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
  本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。 さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。 提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
  論文  参考訳（メタデータ） (2023-11-27T13:14:06Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Time-series Anomaly Detection via Contextual Discriminative Contrastive Learning [0.0]
  一級分類法は、異常検出タスクに一般的に使用される。 本稿では,DeepSVDDの損失関数に着想を得た新しい手法を提案する。 我々は,我々のアプローチと,将来有望な自己教師型学習異常検出手法であるNeutral ADによる決定論的コントラスト損失を組み合わせた。
  論文  参考訳（メタデータ） (2023-04-16T21:36:19Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• Dual-encoder Bidirectional Generative Adversarial Networks for Anomaly Detection [0.0]
  我々は、ジェネレータと識別器ネットワークを同時に訓練した双方向GANアーキテクチャのデュアルエンコーダを開発する。 提案手法が正常試料の分布を捉えるのに有効であることを示し,ganモデルにおける異常検出を改善した。
  論文  参考訳（メタデータ） (2020-12-22T05:05:33Z)
• Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of Multimodal Data with Adversarial Defense [0.3867363075280543]
  本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。 提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-07-17T20:03:02Z)
• Unsupervised Abnormality Detection Using Heterogeneous Autonomous Systems [0.3867363075280543]
  監視シナリオにおける異常検出は、新たな研究分野である。 本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。 提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
  論文  参考訳（メタデータ） (2020-06-05T23:09:58Z)

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。