論文の概要: Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review

• arxiv url: http://arxiv.org/abs/2010.14946v2
• Date: Sat, 31 Oct 2020 11:50:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-02 12:43:28.927036
• Title: Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review
• Title（参考訳）: センサシステムにおけるスマート異常検出:マルチパースペクティブレビュー
• Authors: L. Erhan, M. Ndubuaku, M. Di Mauro, W. Song, M. Chen, G. Fortino, O. Bagdasar, A. Liotta
• Abstract要約: 異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
• 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: Anomaly detection is concerned with identifying data patterns that deviate remarkably from the expected behaviour. This is an important research problem, due to its broad set of application domains, from data analysis to e-health, cybersecurity, predictive maintenance, fault prevention, and industrial automation. Herein, we review state-of-the-art methods that may be employed to detect anomalies in the specific area of sensor systems, which poses hard challenges in terms of information fusion, data volumes, data speed, and network/energy efficiency, to mention but the most pressing ones. In this context, anomaly detection is a particularly hard problem, given the need to find computing-energy accuracy trade-offs in a constrained environment. We taxonomize methods ranging from conventional techniques (statistical methods, time-series analysis, signal processing, etc.) to data-driven techniques (supervised learning, reinforcement learning, deep learning, etc.). We also look at the impact that different architectural environments (Cloud, Fog, Edge) can have on the sensors ecosystem. The review points to the most promising intelligent-sensing methods, and pinpoints a set of interesting open issues and challenges.
• Abstract（参考訳）: 異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では、情報融合、データボリューム、データ速度、ネットワーク/エネルギー効率の面で困難な課題となるセンサシステムの特定の領域における異常を検出するために用いられる最先端の手法について概説する。 この文脈では、異常検出は特に難しい問題であり、制約のある環境で計算エネルギーの精度のトレードオフを見つける必要がある。 本研究では,従来の手法(統計手法,時系列解析,信号処理など)からデータ駆動技術(教師あり学習,強化学習,深層学習など)までを分類する。 また、さまざまなアーキテクチャ環境(クラウド、フォッグ、エッジ)がセンサーエコシステムに与える影響についても検討しています。 このレビューは、最も有望なインテリジェントセンシング手法を示し、興味深いオープンな問題と課題のセットを指摘している。

関連論文リスト

• Underwater Object Detection in the Era of Artificial Intelligence: Current, Challenge, and Future [119.88454942558485]
  水中物体検出(UOD)は、水中の画像やビデオ中の物体を識別し、ローカライズすることを目的としている。 近年、人工知能(AI)に基づく手法、特に深層学習法は、UODにおいて有望な性能を示している。
  論文  参考訳（メタデータ） (2024-10-08T00:25:33Z)
• 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)
• A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
  本稿では,教師なし深層学習異常検出システムを提案する。 生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。 リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
  論文  参考訳（メタデータ） (2024-03-21T14:26:29Z)
• Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
  本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。 この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
  論文  参考訳（メタデータ） (2023-12-22T15:04:20Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Automatic Sensor-free Affect Detection: A Systematic Literature Review [0.0]
  本稿では,センサレス感情検出に関する総合的な文献レビューを行う。 この分野の明らかな成熟度は、モデルの一貫した性能によって証明されているにもかかわらず、将来の研究には十分な範囲がある。 モデル開発プラクティスやメソッドの洗練も必要です。
  論文  参考訳（メタデータ） (2023-10-11T13:24:27Z)
• Anomaly Detection in Industrial Machinery using IoT Devices and Machine Learning: a Systematic Mapping [0.0]
  IoT(Internet of Things)は、産業機械から大量のデータを収集することを可能にする。 しかし、モノのインターネットによって生成されるデータの量と複雑さは、人間が手動で異常を検出するのを困難にしている。 機械学習(ML)アルゴリズムは、生成されたデータを分析することによって、産業機械における異常検出を自動化することができる。
  論文  参考訳（メタデータ） (2023-07-28T20:58:00Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Fast Wireless Sensor Anomaly Detection based on Data Stream in Edge Computing Enabled Smart Greenhouse [5.716360276016705]
  エッジコンピューティングを有効にするスマート温室は、IoT技術の代表的なアプリケーションである。 従来の異常検出アルゴリズムは、無線センサによって生成されたデータストリームの特性を適切に考慮していない。
  論文  参考訳（メタデータ） (2021-07-28T13:32:12Z)
• Survey of Network Intrusion Detection Methods from the Perspective of the Knowledge Discovery in Databases Process [63.75363908696257]
  本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。 本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。 この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
  論文  参考訳（メタデータ） (2020-01-27T11:21:05Z)

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。