Fugu-MT 論文翻訳(概要): Regularization-based Continual Learning for Anomaly Detection in Discrete Manufacturing

論文の概要: Regularization-based Continual Learning for Anomaly Detection in Discrete Manufacturing

arxiv url: http://arxiv.org/abs/2101.00509v1
Date: Sat, 2 Jan 2021 20:06:00 GMT
ステータス: 処理完了
システム内更新日: 2021-04-13 07:20:47.857635
Title: Regularization-based Continual Learning for Anomaly Detection in Discrete Manufacturing
Title（参考訳）: 離散生産における異常検出のための正規化に基づく連続学習
Authors: Benjamin Maschler, Thi Thu Huong Pham, Michael Weyrich
Abstract要約: 異常の早期検出により、オペレーターは害を防止できる。生産機械や製品に欠陥がありますデータ駆動異常検出の現在のアプローチは、トレーニングされたプロセスの正確な結果を提供する。継続的学習はこのような柔軟性を約束し、以前の学習した知識を新しいタスクに自動適応させることができる。
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: The early and robust detection of anomalies occurring in discrete manufacturing processes allows operators to prevent harm, e.g. defects in production machinery or products. While current approaches for data-driven anomaly detection provide good results on the exact processes they were trained on, they often lack the ability to flexibly adapt to changes, e.g. in products. Continual learning promises such flexibility, allowing for an automatic adaption of previously learnt knowledge to new tasks. Therefore, this article discusses different continual learning approaches from the group of regularization strategies, which are implemented, evaluated and compared based on a real industrial metal forming dataset.
Abstract（参考訳）: 個別の製造プロセスで発生する異常の早期かつ堅牢な検出により、オペレーターは害を防止できる。生産機械や製品に欠陥がありますデータ駆動異常検出に対する現在のアプローチは、トレーニングされたプロセスの正確な結果をもたらすが、多くの場合、変更に柔軟に適応する能力に欠ける。製品で継続的学習はこのような柔軟性を約束し、以前の学習した知識を新しいタスクに自動適応させることができる。そこで本論文では, 実産業用金属形成データセットに基づいて実装, 評価, 比較を行う正則化戦略群から, 連続学習アプローチについて述べる。

関連論文リスト

How Industry Tackles Anomalies during Runtime: Approaches and Key Monitoring Parameters [4.041882008624403]
本稿では,様々な産業分野における異常や現在の異常検出手法を理解することを目的とする。また、実行時の監視データを通じて異常を特定するのに必要なパラメータを特定することも目標としている。
論文参考訳（メタデータ） (2024-08-14T21:10:15Z)
Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文参考訳（メタデータ） (2024-07-12T01:50:07Z)
Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
論文参考訳（メタデータ） (2024-07-07T12:19:37Z)
Self-Supervised Time-Series Anomaly Detection Using Learnable Data Augmentation [37.72735288760648]
本稿では,学習可能なデータ拡張に基づく時系列異常検出(LATAD)手法を提案する。 LATADは、比較学習を通じて時系列データから識別的特徴を抽出する。その結果、LATADは最先端の異常検出評価に匹敵する、あるいは改善された性能を示した。
論文参考訳（メタデータ） (2024-06-18T04:25:56Z)
Pseudo Replay-based Class Continual Learning for Online New Category Anomaly Detection in Advanced Manufacturing [5.012204041812572]
本稿では,新しい擬似リプレイ型連続学習フレームワークを開発する。クラスインクリメンタル学習とオーバーサンプリングベースのデータ生成を統合している。提案手法の有効性を3つのケーススタディで検証した。
論文参考訳（メタデータ） (2023-12-05T04:43:23Z)
FABLE : Fabric Anomaly Detection Automation Process [4.243356707599485]
産業における教師なしの異常は、ハイパフォーマンスな産業自動化プロセスのための話題と足掛かりとなっている。本稿では,工業布地質欠陥検出のための特異性学習プロセスによる自動化プロセスを提案する。
論文参考訳（メタデータ） (2023-06-16T13:35:46Z)
Dynamically Masked Discriminator for Generative Adversarial Networks [71.33631511762782]
GAN(Generative Adversarial Networks)のトレーニングは依然として難しい問題である。識別器は、実際の/生成されたデータの分布を学習してジェネレータを訓練する。本稿では,オンライン連続学習の観点から,GANの新たな手法を提案する。
論文参考訳（メタデータ） (2023-06-13T12:07:01Z)
Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
論文参考訳（メタデータ） (2023-01-31T10:23:02Z)
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-01-25T16:34:43Z)
Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文参考訳（メタデータ） (2022-09-21T08:14:34Z)
A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。