論文の概要: Including Sparse Production Knowledge into Variational Autoencoders to
Increase Anomaly Detection Reliability
- arxiv url: http://arxiv.org/abs/2103.12998v1
- Date: Wed, 24 Mar 2021 05:54:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-25 14:12:35.519843
- Title: Including Sparse Production Knowledge into Variational Autoencoders to
Increase Anomaly Detection Reliability
- Title(参考訳): 変分オートエンコーダへのスパース生産知識の導入による異常検出信頼性の向上
- Authors: Tom Hammerbacher, Markus Lange-Hegermann, Gorden Platz
- Abstract要約: 可変オートエンコーダニューラルネットワーク構造におけるラベル異常に関するまれな情報を用いて検討する。
この方法は、精度、正確さ、リコールの点で他の全てのモデルを上回る。
- 参考スコア(独自算出の注目度): 3.867363075280544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Digitalization leads to data transparency for production systems that we can
benefit from with data-driven analysis methods like neural networks. For
example, automated anomaly detection enables saving resources and optimizing
the production. We study using rarely occurring information about labeled
anomalies into Variational Autoencoder neural network structures to overcome
information deficits of supervised and unsupervised approaches. This method
outperforms all other models in terms of accuracy, precision, and recall. We
evaluate the following methods: Principal Component Analysis, Isolation Forest,
Classifying Neural Networks, and Variational Autoencoders on seven time series
datasets to find the best performing detection methods. We extend this idea to
include more infrequently occurring meta information about production
processes. This use of sparse labels, both of anomalies or production data,
allows to harness any additional information available for increasing anomaly
detection performance.
- Abstract(参考訳): ディジタル化は、ニューラルネットワークのようなデータ駆動分析手法によって恩恵を受ける実運用システムのデータ透過性につながる。
例えば、自動異常検出はリソースの節約と生産の最適化を可能にする。
本研究では,ラベル付き異常に関する情報を変分オートエンコーダニューラルネットワーク構造に組み込むことにより,教師なしおよび教師なしのアプローチの情報不足を克服する。
この方法は、精度、正確さ、リコールの点で他の全てのモデルを上回る。
本研究では,7つの時系列データセットにおける主成分分析,分離フォレスト,ニューラルネットワークの分類,変分オートエンコーダの評価を行い,最適な検出法について検討した。
このアイデアを拡張して、生産プロセスに関するメタ情報が頻繁に発生するようにします。
異常や製品データの両方のスパースラベルを使用することで、異常検出性能を向上させるために利用可能な追加情報を活用することができる。
関連論文リスト
- Localized Gaussians as Self-Attention Weights for Point Clouds Correspondence [92.07601770031236]
本稿では,エンコーダのみのトランスフォーマーアーキテクチャのアテンションヘッドにおける意味的意味パターンについて検討する。
注意重みの修正はトレーニングプロセスの促進だけでなく,最適化の安定性の向上にも寄与する。
論文 参考訳(メタデータ) (2024-09-20T07:41:47Z) - Deep Learning-based Anomaly Detection and Log Analysis for Computer Networks [5.809158072574843]
本稿では,孤立林,GAN,トランスフォーマーを統合した新しい融合モデルを提案する。
このモデルは誤報率を低減しつつ、異常検出の精度を大幅に向上させる。
また、ログ解析タスクでもうまく機能し、異常な振る舞いを素早く識別することができる。
論文 参考訳(メタデータ) (2024-07-08T06:07:51Z) - 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) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2022-10-20T11:03:21Z) - 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) - Deep Learning for Anomaly Detection in Log Data: A Survey [3.508620069426877]
自己学習異常検出技術は、ログデータのパターンをキャプチャし、予期しないログイベントを報告する。
この目的のためのディープラーニングニューラルネットワークが紹介されている。
ディープラーニングにはさまざまなアーキテクチャがあり、生と非構造化のログデータをエンコードするのは簡単ではない。
論文 参考訳(メタデータ) (2022-07-08T10:58:28Z) - Feature anomaly detection system (FADS) for intelligent manufacturing [0.0]
FADS(Feature-based Anomaly Detection System)と呼ばれる新しい異常検出アルゴリズムを提案する。
FADSは畳み込みフィルタの活性化を観察して名目入力の統計モデルを生成する。
推測中、システムは新しい入力の畳み込みフィルタのアクティベーションを、期待値の範囲外である統計モデルとフラグのアクティベーションと比較する。
論文 参考訳(メタデータ) (2022-04-21T17:54:37Z) - Deep Metric Learning with Locality Sensitive Angular Loss for
Self-Correcting Source Separation of Neural Spiking Signals [77.34726150561087]
本稿では, 深層学習に基づく手法を提案し, 自動掃除とロバスト分離フィルタの必要性に対処する。
本手法は, ソース分離した高密度表面筋電図記録に基づいて, 人工的に劣化したラベルセットを用いて検証する。
このアプローチにより、ニューラルネットワークは、信号のラベル付けの不完全な方法を使用して、神経生理学的時系列を正確に復号することができる。
論文 参考訳(メタデータ) (2021-10-13T21:51:56Z) - 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) - 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。
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。