Fugu-MT 論文翻訳(概要): Towards Deep Industrial Transfer Learning for Anomaly Detection on Time Series Data

論文の概要: Towards Deep Industrial Transfer Learning for Anomaly Detection on Time Series Data

arxiv url: http://arxiv.org/abs/2106.04920v1
Date: Wed, 9 Jun 2021 08:58:56 GMT
ステータス: 処理完了
システム内更新日: 2021-06-10 15:25:32.080835
Title: Towards Deep Industrial Transfer Learning for Anomaly Detection on Time Series Data
Title（参考訳）: 時系列データを用いた異常検出のための深層産業転向学習に向けて
Authors: Benjamin Maschler, Tim Knodel and Michael Weyrich
Abstract要約: ディープラーニングは、時間変動データセットのパフォーマンス異常検出を約束する。ディープトランスファー学習は、異なるタスクや場所から以前の知識に基づいて構築されたアルゴリズムを緩和する。
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: Deep learning promises performant anomaly detection on time-variant datasets, but greatly suffers from low availability of suitable training datasets and frequently changing tasks. Deep transfer learning offers mitigation by letting algorithms built upon previous knowledge from different tasks or locations. In this article, a modular deep learning algorithm for anomaly detection on time series datasets is presented that allows for an easy integration of such transfer learning capabilities. It is thoroughly tested on a dataset from a discrete manufacturing process in order to prove its fundamental adequacy towards deep industrial transfer learning - the transfer of knowledge in industrial applications' special environment.
Abstract（参考訳）: ディープラーニングは、時間変動データセットのパフォーマンス異常検出を約束するが、適切なトレーニングデータセットの可用性の低下と頻繁なタスクの変更に悩まされている。ディープトランスファー学習は、異なるタスクや場所から以前の知識に基づいて構築されたアルゴリズムを緩和する。本稿では,時系列データセットにおける異常検出のためのモジュール型ディープラーニングアルゴリズムについて述べる。産業応用の特殊環境における知識の伝達という、深い産業移転学習に対する根本的な妥当性を証明するために、離散的な製造プロセスからデータセットを徹底的にテストする。

関連論文リスト

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)
Evaluating the structure of cognitive tasks with transfer learning [67.22168759751541]
本研究では,脳波復号処理における深層学習表現の伝達可能性について検討した。最近リリースされた2つのEEGデータセット上で、最先端デコードモデルを用いて広範な実験を行う。
論文参考訳（メタデータ） (2023-07-28T14:51:09Z)
A Comprehensive Survey of Deep Transfer Learning for Anomaly Detection in Industrial Time Series: Methods, Applications, and Directions [5.759456719890725]
産業プロセスの監視は、効率を高め、品質を最適化する可能性がある。ディープラーニングは、大規模なデータセット内の非自明なパターンを識別する能力を持つため、このプロセスにおいて重要な役割を果たす。わずかに異なるケースごとに、標準的なディープラーニングトレーニングのための大規模ラベル付きデータを取得することは不可能である。深層移動学習はこの問題に対する解決策を提供する。
論文参考訳（メタデータ） (2023-07-11T09:37:52Z)
On the challenges to learn from Natural Data Streams [6.602973237811197]
実世界のコンテキストでは、時にデータはNatural Data Streamsの形で利用することができる。このデータ組織は、従来の機械学習アルゴリズムとディープラーニングアルゴリズムの両方にとって興味深い、かつ難しいシナリオである。本稿では,自然データストリームの学習入力として受信する各種アルゴリズムの分類性能について検討する。
論文参考訳（メタデータ） (2023-01-09T16:32:02Z)
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)
Learning with Recoverable Forgetting [77.56338597012927]
学習wIth Recoverable Forgettingは、タスクまたはサンプル固有の知識の除去とリカバリを明示的に処理する。具体的には、LIRFは2つの革新的なスキーム、すなわち知識預金と離脱をもたらす。いくつかのデータセットで実験を行い、提案したLIRF戦略が一般化能力を満足させる結果をもたらすことを示す。
論文参考訳（メタデータ） (2022-07-17T16:42:31Z)
TranAD: Deep Transformer Networks for Anomaly Detection in Multivariate Time Series Data [13.864161788250856]
TranADはディープトランスネットワークに基づく異常検出および診断モデルである。注意に基づくシーケンスエンコーダを使用して、データ内のより広い時間的傾向の知識を迅速に推論する。 TranADは、データと時間効率のトレーニングによる検出と診断のパフォーマンスにおいて、最先端のベースラインメソッドよりも優れています。
論文参考訳（メタデータ） (2022-01-18T19:41:29Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
DeepTimeAnomalyViz: A Tool for Visualizing and Post-processing Deep Learning Anomaly Detection Results for Industrial Time-Series [88.12892448747291]
DeTAVIZ インタフェースは Web ブラウザをベースとした可視化ツールで,特定の問題における DL ベースの異常検出の実現可能性の迅速な探索と評価を行う。 DeTAVIZを使えば、ユーザーは複数のポスト処理オプションを簡単かつ迅速に繰り返し、異なるモデルを比較することができ、選択したメトリックに対して手動で最適化できる。
論文参考訳（メタデータ） (2021-09-21T10:38:26Z)
Building Robust Industrial Applicable Object Detection Models Using Transfer Learning and Single Pass Deep Learning Architectures [1.1816942730023883]
我々は、オブジェクト検出のタスク専用の深層畳み込みニューラルネットワークが、産業指向のオブジェクト検出パイプラインをどのように改善するかを探求する。地域提案や分類,確率推定をひとつの実行で統合したディープラーニングアーキテクチャを用いて,リアルタイムのパフォーマンス向上を目指す。本稿では,これらのアルゴリズムを2つの産業関連アプリケーションに適用し,その1つはアイトラッキングデータにおけるプロモーションボードの検出と,もう1つは拡張現実広告のための倉庫製品のパッケージの検出と認識である。
論文参考訳（メタデータ） (2020-07-09T09:50:45Z)

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。