論文の概要: A Causal-based Framework for Multimodal Multivariate Time Series
Validation Enhanced by Unsupervised Deep Learning as an Enabler for Industry
4.0
- arxiv url: http://arxiv.org/abs/2008.02171v1
- Date: Wed, 5 Aug 2020 14:48:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-02 17:35:58.749496
- Title: A Causal-based Framework for Multimodal Multivariate Time Series
Validation Enhanced by Unsupervised Deep Learning as an Enabler for Industry
4.0
- Title(参考訳): 産業4.0における教師なし深層学習によるマルチモーダル多変量時系列検証のための因果的フレームワーク
- Authors: Cedric Schockaert
- Abstract要約: マルチレベルコンテキスト異常検出のための概念検証フレームワークを開発した。
長期記憶オートエンコーダの評価を成功させ、高炉の複数の資産に関連する文脈の学習された表現を検証する。
プロセス産業に適用された非教師なし根本原因分析の実現手段として、因果発見と表現学習を組み合わせた研究ロードマップが特定されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: An advanced conceptual validation framework for multimodal multivariate time
series defines a multi-level contextual anomaly detection ranging from an
univariate context definition, to a multimodal abstract context representation
learnt by an Autoencoder from heterogeneous data (images, time series, sounds,
etc.) associated to an industrial process. Each level of the framework is
either applicable to historical data and/or live data. The ultimate level is
based on causal discovery to identify causal relations in observational data in
order to exclude biased data to train machine learning models and provide means
to the domain expert to discover unknown causal relations in the underlying
process represented by the data sample. A Long Short-Term Memory Autoencoder is
successfully evaluated on multivariate time series to validate the learnt
representation of abstract contexts associated to multiple assets of a blast
furnace. A research roadmap is identified to combine causal discovery and
representation learning as an enabler for unsupervised Root Cause Analysis
applied to the process industry.
- Abstract(参考訳): 多変量時系列の先進的な概念検証フレームワークは、一変量文脈定義から、産業プロセスに関連する異種データ(画像、時系列、音など)からオートエンコーダによって学習された多変量抽象的文脈表現まで、多段階の文脈異常検出を定義する。
フレームワークの各レベルは、履歴データやライブデータに適用できる。
究極のレベルは、観測データの因果関係を識別する因果発見に基づいており、バイアスデータを除外して機械学習モデルを訓練し、データサンプルで表される基盤プロセスにおける未知の因果関係をドメインの専門家に発見する手段を提供する。
多変量時系列上での長期記憶オートエンコーダの評価に成功し、高炉の複数のアセットに関連する抽象的コンテキストの学習表現を検証する。
因果発見と表現学習をプロセス産業に適用した教師なし根本原因分析の実現者として組み合わせるための研究ロードマップが特定された。
関連論文リスト
- Multi-modal Causal Structure Learning and Root Cause Analysis [67.67578590390907]
根本原因局所化のためのマルチモーダル因果構造学習手法であるMulanを提案する。
ログ選択言語モデルを利用してログ表現学習を行い、ログシーケンスを時系列データに変換する。
また、モダリティの信頼性を評価し、最終因果グラフを共同学習するための新しいキーパフォーマンスインジケータ対応アテンション機構も導入する。
論文 参考訳(メタデータ) (2024-02-04T05:50:38Z) - Multi-Granularity Framework for Unsupervised Representation Learning of
Time Series [1.003058966910087]
本稿では,時系列の多粒度表現学習を実現するための教師なしフレームワークを提案する。
具体的には、粒度と粒度の粗さを関連付けるために、粒度変換器を用いた。
さらに,時系列の多粒度表現を学習するための教師なし学習タスクとして検索タスクを導入した。
論文 参考訳(メタデータ) (2023-12-12T13:25:32Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳(メタデータ) (2023-08-04T12:27:11Z) - Multimodal Learning Without Labeled Multimodal Data: Guarantees and
Applications [97.79283975518047]
複数のモーダルから共同で学習する多くの機械学習システムでは、マルチモーダル相互作用の性質を理解することが中心的な研究課題である。
我々は,この相互作用定量化の課題について,ラベル付き単調データのみを用いた半教師付き環境で検討する。
相互作用の正確な情報理論的定義を用いて、我々の重要な貢献は、マルチモーダル相互作用の量を定量化するための下界と上界の導出である。
論文 参考訳(メタデータ) (2023-06-07T15:44:53Z) - Robust Detection of Lead-Lag Relationships in Lagged Multi-Factor Models [61.10851158749843]
データ固有のリード-ラグ関係を発見することで、重要な洞察を得ることができる。
階層化多要素モデルにおけるリードラグ関係のロバスト検出のためのクラスタリング駆動手法を開発した。
論文 参考訳(メタデータ) (2023-05-11T10:30:35Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳(メタデータ) (2022-06-30T06:00:13Z) - Recurrent Auto-Encoder With Multi-Resolution Ensemble and Predictive
Coding for Multivariate Time-Series Anomaly Detection [3.772827533440353]
実世界の時系列データは複雑な時間的依存関係を示す。
RAE-M EPCは多解像度アンサンブルと予測符号化に基づいて情報正規表現を学習する。
実世界のベンチマークデータセットの実験は、提案されたモデルがベンチマークモデルより優れていることを示している。
論文 参考訳(メタデータ) (2022-02-21T05:47:22Z) - On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
時系列データ上で異なるタスクに成功しているモデルを最近導入した。
本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。
実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
論文 参考訳(メタデータ) (2021-02-10T15:49:27Z) - Multivariate Time-series Anomaly Detection via Graph Attention Network [27.12694738711663]
多変量時系列の異常検出は、データマイニング研究と産業応用の両方において非常に重要である。
1つの大きな制限は、異なる時系列間の関係を明示的に捉えないことである。
この問題に対処するために,多変量時系列異常検出のための新しい自己教師型フレームワークを提案する。
論文 参考訳(メタデータ) (2020-09-04T07:46:19Z) - Relating by Contrasting: A Data-efficient Framework for Multimodal
Generative Models [86.9292779620645]
生成モデル学習のための対照的なフレームワークを開発し、モダリティ間の共通性だけでなく、「関連」と「関連しない」マルチモーダルデータの区別によってモデルを訓練することができる。
提案手法では, 生成モデルを用いて, 関係のないサンプルから関連サンプルを正確に識別し, ラベルのない多モードデータの利用が可能となる。
論文 参考訳(メタデータ) (2020-07-02T15:08:11Z)
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。