論文の概要: Design Methodology for Deep Out-of-Distribution Detectors in Real-Time
Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2207.14694v1
- Date: Fri, 29 Jul 2022 14:06:27 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-01 13:08:19.642509
- Title: Design Methodology for Deep Out-of-Distribution Detectors in Real-Time
Cyber-Physical Systems
- Title(参考訳): リアルタイムサイバー物理システムにおける深部分布検出器の設計手法
- Authors: Michael Yuhas, Daniel Jun Xian Ng, Arvind Easwaran
- Abstract要約: アウト・オブ・ディストリビューション(OOD)検出器はMLモデルと並行して動作し、フラグ入力は望ましくない結果をもたらす可能性がある。
本研究は,組込みアプリケーションの精度および応答時間要求を満たすため,深部OOD検出器をチューニングするための設計手法を提案する。
- 参考スコア(独自算出の注目度): 5.233831361879669
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: When machine learning (ML) models are supplied with data outside their
training distribution, they are more likely to make inaccurate predictions; in
a cyber-physical system (CPS), this could lead to catastrophic system failure.
To mitigate this risk, an out-of-distribution (OOD) detector can run in
parallel with an ML model and flag inputs that could lead to undesirable
outcomes. Although OOD detectors have been well studied in terms of accuracy,
there has been less focus on deployment to resource constrained CPSs. In this
study, a design methodology is proposed to tune deep OOD detectors to meet the
accuracy and response time requirements of embedded applications. The
methodology uses genetic algorithms to optimize the detector's preprocessing
pipeline and selects a quantization method that balances robustness and
response time. It also identifies several candidate task graphs under the Robot
Operating System (ROS) for deployment of the selected design. The methodology
is demonstrated on two variational autoencoder based OOD detectors from the
literature on two embedded platforms. Insights into the trade-offs that occur
during the design process are provided, and it is shown that this design
methodology can lead to a drastic reduction in response time in relation to an
unoptimized OOD detector while maintaining comparable accuracy.
- Abstract(参考訳): 機械学習(ML)モデルにトレーニングディストリビューション外のデータが供給される場合、不正確な予測を行う傾向があり、サイバー物理システム(CPS)では、破滅的なシステム障害を引き起こす可能性がある。
このリスクを軽減するため、オフ・オブ・ディストリビューション(OOD)検出器はMLモデルと並列に動作し、フラグ入力は望ましくない結果をもたらす可能性がある。
OOD検出器は精度に関してよく研究されているが、資源制約CPSへの展開にはあまり焦点が当てられていない。
本研究では,組込みアプリケーションの精度および応答時間要求を満たすため,深いOOD検出器をチューニングするための設計手法を提案する。
この手法は遺伝的アルゴリズムを用いて検出器の前処理パイプラインを最適化し、堅牢性と応答時間のバランスをとる量子化法を選択する。
また、ロボットオペレーティング・システム(ROS)の下で選択された設計をデプロイするためのいくつかの候補タスクグラフも特定する。
本手法は2つの組込みプラットフォーム上での文献からの2つの変分オートエンコーダを用いたOOD検出器で実証された。
設計プロセス中に発生するトレードオフを考察し、この設計手法は、同等の精度を維持しながら、最適化されていないOOD検出器に対して、応答時間を劇的に短縮できることを示した。
関連論文リスト
- PAC-Based Formal Verification for Out-of-Distribution Data Detection [4.406331747636832]
本研究は、VAEの符号化プロセスを用いて、OOD検出に基づくほぼ正しい(PAC)保証を行う。
ユーザ定義の信頼性で不慣れなインスタンスに検出エラーをバインドするために使用される。
論文 参考訳(メタデータ) (2023-04-04T07:33:02Z) - 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) - Model2Detector:Widening the Information Bottleneck for
Out-of-Distribution Detection using a Handful of Gradient Steps [12.263417500077383]
アウト・オブ・ディストリビューション検出は、長いバニラニューラルネットワークを持つ重要な機能である。
推論時間外分布検出の最近の進歩は、これらの問題のいくつかを緩和するのに役立つ。
提案手法は,一般的な画像データセットにおける検出精度において,常に最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2022-02-22T23:03:40Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳(メタデータ) (2021-08-09T08:45:47Z) - Learn what you can't learn: Regularized Ensembles for Transductive
Out-of-distribution Detection [76.39067237772286]
ニューラルネットワークの現在のアウト・オブ・ディストリビューション(OOD)検出アルゴリズムは,様々なOOD検出シナリオにおいて不満足な結果をもたらすことを示す。
本稿では,テストデータのバッチを観察した後に検出方法を調整することで,このような「ハード」なOODシナリオがいかに有用かを検討する。
本稿では,テストデータと正規化に人工ラベリング手法を用いて,テストバッチ内のOODサンプルに対してのみ矛盾予測を生成するモデルのアンサンブルを求める手法を提案する。
論文 参考訳(メタデータ) (2020-12-10T16:55:13Z) - 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) - Bayesian Optimization with Machine Learning Algorithms Towards Anomaly
Detection [66.05992706105224]
本稿では,ベイズ最適化手法を用いた効果的な異常検出フレームワークを提案する。
ISCX 2012データセットを用いて検討したアルゴリズムの性能を評価する。
実験結果から, 精度, 精度, 低コストアラームレート, リコールの観点から, 提案手法の有効性が示された。
論文 参考訳(メタデータ) (2020-08-05T19:29:35Z) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳(メタデータ) (2020-06-11T17:39:07Z) - Identifying Vulnerabilities of Industrial Control Systems using
Evolutionary Multiobjective Optimisation [1.8275108630751844]
進化的多目的最適化(EMO)アルゴリズムを用いて,実世界の産業制御システム(ICS)の脆弱性を同定する。
本手法は化学プラントシミュレータであるテネシー・イーストマン (TE) プロセスモデルを用いて評価した。
新たな侵入検知システムという形でこれらの攻撃に対する防御が開発された。
論文 参考訳(メタデータ) (2020-05-27T00:22:48Z) - Real-time Out-of-distribution Detection in Learning-Enabled
Cyber-Physical Systems [1.4213973379473654]
サイバー物理システムは、現実世界の不確実性と可変性を処理できる機械学習コンポーネントを使用することで恩恵を受ける。
しかし、ディープニューラルネットワークは、システムの安全性に影響を及ぼす可能性のある、新しいタイプのハザードを導入している。
アウト・オブ・ディストリビューションデータは大きなエラーを引き起こし、安全性を損なう可能性がある。
論文 参考訳(メタデータ) (2020-01-28T17:51:07Z) - Assurance Monitoring of Cyber-Physical Systems with Machine Learning
Components [2.1320960069210484]
我々は,サイバー物理システムの保証監視にコンフォメーション予測フレームワークを使用する方法について検討する。
リアルタイムに高次元入力を処理するために,学習モデルの埋め込み表現を用いて非整合性スコアを計算する。
整合性予測を活用することで、この手法は十分に校正された信頼性を提供し、限定された小さなエラー率を保証する監視を可能にする。
論文 参考訳(メタデータ) (2020-01-14T19:34:51Z)
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。