論文の概要: Autoencoder-based Representation Learning from Heterogeneous
Multivariate Time Series Data of Mechatronic Systems
- arxiv url: http://arxiv.org/abs/2104.02784v2
- Date: Thu, 8 Apr 2021 12:39:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-09 10:37:37.556220
- Title: Autoencoder-based Representation Learning from Heterogeneous
Multivariate Time Series Data of Mechatronic Systems
- Title（参考訳）: メカトロニクス系の異種多変量時系列データを用いたオートエンコーダに基づく表現学習
- Authors: Karl-Philipp Kortmann, Moritz Fehsenfeld and Mark Wielitzka
- Abstract要約: 本稿では,データベースの異質性に着目したオートエンコーダネットワークを用いた教師なし特徴抽出手法を提案する。
異なるアプリケーションドメインからのメカトロニクスシステムの3つの公開データセットを使用して結果を検証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Sensor and control data of modern mechatronic systems are often available as
heterogeneous time series with different sampling rates and value ranges.
Suitable classification and regression methods from the field of supervised
machine learning already exist for predictive tasks, for example in the context
of condition monitoring, but their performance scales strongly with the number
of labeled training data. Their provision is often associated with high effort
in the form of person-hours or additional sensors. In this paper, we present a
method for unsupervised feature extraction using autoencoder networks that
specifically addresses the heterogeneous nature of the database and reduces the
amount of labeled training data required compared to existing methods. Three
public datasets of mechatronic systems from different application domains are
used to validate the results.
- Abstract（参考訳）: 現代のメカトロニクス系のセンサと制御データは、サンプリングレートと値範囲の異なる異種時系列としてしばしば利用できる。
教師付き機械学習の分野からの適切な分類と回帰手法は、例えば条件監視の文脈では予測タスクにすでに存在しているが、その性能はラベル付きトレーニングデータの数と強く一致している。
それらの規定は、人的時間や追加のセンサーという形で高い労力に結びつくことが多い。
本稿では,データベースの異種性に特化して対処し,既存の手法と比較してラベル付きトレーニングデータの量を削減するオートエンコーダネットワークを用いた教師なし特徴抽出手法を提案する。
異なるアプリケーションドメインからのメカトロニクスシステムの3つの公開データセットを使用して結果を検証する。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - 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) - 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) - Federated Variational Learning for Anomaly Detection in Multivariate
Time Series [13.328883578980237]
本稿では,非教師付き時系列異常検出フレームワークを提案する。
我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。
3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
論文 参考訳（メタデータ） (2021-08-18T22:23:15Z) - Detection of Dataset Shifts in Learning-Enabled Cyber-Physical Systems
using Variational Autoencoder for Regression [1.5039745292757671]
回帰問題に対してデータセットシフトを効果的に検出する手法を提案する。
提案手法は帰納的共形異常検出に基づいており,回帰モデルに変分オートエンコーダを用いる。
自動運転車用オープンソースシミュレータに実装された高度緊急ブレーキシステムを用いて,本手法を実証する。
論文 参考訳（メタデータ） (2021-04-14T03:46:37Z) - 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) - 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) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - 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) - Frequency-based Multi Task learning With Attention Mechanism for Fault
Detection In Power Systems [6.4332733596587115]
本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。
提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
論文 参考訳（メタデータ） (2020-09-15T02:01:47Z) - Data Anomaly Detection for Structural Health Monitoring of Bridges using
Shapelet Transform [0.0]
多くの構造健康モニタリング(SHM)システムが、土木インフラを監視するために配備されている。
SHMシステムによって測定されたデータは、故障または故障したセンサーによって引き起こされる複数の異常によって影響を受ける傾向にある。
本稿では,SHMデータの異常を自律的に識別するために,Shapelet Transformという比較的新しい時系列表現を提案する。
論文 参考訳（メタデータ） (2020-08-31T01:11:04Z)
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。