論文の概要: Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning

• arxiv url: http://arxiv.org/abs/2011.06296v1
• Date: Thu, 12 Nov 2020 10:15:56 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-26 07:25:46.697678
• Title: Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning
• Title（参考訳）: ディジタルツインシステムと弱教師付き学習を用いた実世界の異常検出
• Authors: Andrea Castellani, Sebastian Schmitt, Stefano Squartini
• Abstract要約: 本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
• 参考スコア（独自算出の注目度）: 3.0100975935933567
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The continuously growing amount of monitored data in the Industry 4.0 context requires strong and reliable anomaly detection techniques. The advancement of Digital Twin technologies allows for realistic simulations of complex machinery, therefore, it is ideally suited to generate synthetic datasets for the use in anomaly detection approaches when compared to actual measurement data. In this paper, we present novel weakly-supervised approaches to anomaly detection for industrial settings. The approaches make use of a Digital Twin to generate a training dataset which simulates the normal operation of the machinery, along with a small set of labeled anomalous measurement from the real machinery. In particular, we introduce a clustering-based approach, called Cluster Centers (CC), and a neural architecture based on the Siamese Autoencoders (SAE), which are tailored for weakly-supervised settings with very few labeled data samples. The performance of the proposed methods is compared against various state-of-the-art anomaly detection algorithms on an application to a real-world dataset from a facility monitoring system, by using a multitude of performance measures. Also, the influence of hyper-parameters related to feature extraction and network architecture is investigated. We find that the proposed SAE based solutions outperform state-of-the-art anomaly detection approaches very robustly for many different hyper-parameter settings on all performance measures.
• Abstract（参考訳）: 業界 4.0 のコンテキストにおける監視データの継続的な増加は、強力で信頼性の高い異常検出技術を必要とする。 デジタルツイン技術の進歩により、複雑な機械の現実的なシミュレーションが可能となり、実際の測定データと比較して異常検出アプローチで使用する合成データセットを生成するのが理想的である。 本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の正常な動作をシミュレートするトレーニングデータセットと、実際の機械からのラベル付き異常測定の小さなセットを生成する。 特に、クラスタリングベースのアプローチであるCluster Centers(CC)と、ラベル付きデータサンプルがほとんどない弱教師付き設定に適した、Siamese Autoencoders(SAE)に基づくニューラルネットワークを導入する。 提案手法の性能は,施設監視システムによる実世界のデータセットに対するアプリケーション上の様々な最先端の異常検出アルゴリズムと比較し,多数の性能測定値を用いて比較した。 また,特徴抽出とネットワークアーキテクチャに関連するハイパーパラメータの影響について検討した。 提案手法は,全ての性能指標において,様々なパラメータ設定に対して,最先端の異常検出手法よりも極めて堅牢であることがわかった。

関連論文リスト

• An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
  異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。 本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-03T23:58:27Z)
• Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
  異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。 非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
  論文  参考訳（メタデータ） (2023-06-15T18:48:10Z)
• Anomaly Detection with Ensemble of Encoder and Decoder [2.8199078343161266]
  電力網における異常検出は、電力系統に対するサイバー攻撃による異常を検出し、識別することを目的としている。 本稿では,複数のエンコーダとデコーダを用いて正規サンプルのデータ分布をモデル化し,新しい異常検出手法を提案する。 ネットワーク侵入と電力系統データセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-03-11T15:49:29Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Minimal-Configuration Anomaly Detection for IIoT Sensors [0.2462953128215087]
  業界における低コストのIoTセンサプラットフォームは、異常検出ソリューションの需要を高めている。 近年のディープラーニング技術はセンサデータ記録における異常検出に有望な方法を提供している。 本研究は,一般的な異常検出手法への第一歩だと考えている。
  論文  参考訳（メタデータ） (2021-10-08T11:52:52Z)
• 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)
• 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)
• Towards AIOps in Edge Computing Environments [60.27785717687999]
  本稿では,異種分散環境に適用可能なaiopsプラットフォームのシステム設計について述べる。 高頻度でメトリクスを収集し、エッジデバイス上で特定の異常検出アルゴリズムを直接実行することが可能である。
  論文  参考訳（メタデータ） (2021-02-12T09:33:00Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。