論文の概要: Condition monitoring and anomaly detection in cyber-physical systems

• arxiv url: http://arxiv.org/abs/2301.09030v1
• Date: Sun, 22 Jan 2023 00:58:01 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-24 15:14:30.904121
• Title: Condition monitoring and anomaly detection in cyber-physical systems
• Title（参考訳）: サイバー物理システムにおける状態監視と異常検出
• Authors: William Marfo, Deepak K. Tosh, Shirley V. Moore
• Abstract要約: 本稿では,サイバー物理システムにおけるロバストで費用対効果の高い異常検出のための最近の機械学習手法の比較分析を行う。 監督された症例では,98%の精度でほぼ完全である。 対照的に、教師なし症例のベストケースの精度は63%であった。
• 参考スコア（独自算出の注目度）: 0.483420384410068
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The modern industrial environment is equipping myriads of smart manufacturing machines where the state of each device can be monitored continuously. Such monitoring can help identify possible future failures and develop a cost-effective maintenance plan. However, it is a daunting task to perform early detection with low false positives and negatives from the huge volume of collected data. This requires developing a holistic machine learning framework to address the issues in condition monitoring of high-priority components and develop efficient techniques to detect anomalies that can detect and possibly localize the faulty components. This paper presents a comparative analysis of recent machine learning approaches for robust, cost-effective anomaly detection in cyber-physical systems. While detection has been extensively studied, very few researchers have analyzed the localization of the anomalies. We show that supervised learning outperforms unsupervised algorithms. For supervised cases, we achieve near-perfect accuracy of 98 percent (specifically for tree-based algorithms). In contrast, the best-case accuracy in the unsupervised cases was 63 percent :the area under the receiver operating characteristic curve (AUC) exhibits similar outcomes as an additional metric.
• Abstract（参考訳）: 現代の工業環境は、各デバイスの状態を継続的に監視できるスマートマニュファクチャリングマシンを多数備えている。 このようなモニタリングは、将来の障害の可能性を識別し、コスト効率の良いメンテナンス計画を開発するのに役立つ。 しかし、収集した膨大な量のデータから、偽陽性や陰性が低い早期検出を行うのは大変な作業である。 これには、高優先度コンポーネントの条件監視の問題に対処するための総合的な機械学習フレームワークの開発と、障害コンポーネントの検出とローカライズが可能な異常検出のための効率的なテクニックの開発が必要となる。 本稿では,サイバー物理システムにおけるロバストでコスト効率のよい異常検出のための機械学習手法の比較分析を行う。 検出は広く研究されているが、異常の局在を分析する研究者はほとんどいない。 教師なし学習は教師なしアルゴリズムよりも優れていることを示す。 教師付きケースでは、ほぼ完全な98%の精度(特に木に基づくアルゴリズム)を達成する。 一方, 教師なし症例のベストケース精度は63%であり, 受信機操作特性曲線(AUC)下において, 同様の結果が得られた。

関連論文リスト

• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• Towards an Awareness of Time Series Anomaly Detection Models' Adversarial Vulnerability [21.98595908296989]
  本研究では,センサデータに小さな対向摂動のみを加えることで,最先端の異常検出手法の性能を著しく劣化させることを実証した。 いくつかのパブリックデータセットとプライベートデータセットに対して、予測エラー、異常、分類スコアなど、さまざまなスコアを使用する。 敵攻撃に対する異常検出システムの脆弱性を初めて実証した。
  論文  参考訳（メタデータ） (2022-08-24T01:55:50Z)
• Robustness Evaluation of Deep Unsupervised Learning Algorithms for Intrusion Detection Systems [0.0]
  本稿では, 汚染データに対する侵入検出のための6つの最新のディープラーニングアルゴリズムの堅牢性を評価する。 本研究で用いた最先端のアルゴリズムは,データ汚染に敏感であり,データ摂動に対する自己防衛の重要性を明らかにしている。
  論文  参考訳（メタデータ） (2022-06-25T02:28:39Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [93.68531382792366]
  本稿では,深層畳み込み型オートエンコーダのための自己教師型学習システムを提案する。 モデルが修正された再構成エラーによってデータ多様体に集中するように調整しながら、トレーニング中に識別情報を使用することができる。 MVTec 異常検出データセットに対する実験により,提案手法の高精度な認識とローカライゼーション性能が示された。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• Functional Anomaly Detection: a Benchmark Study [4.444788548423704]
  異常検出は、非常に高い周波数でサンプリングされた測定に依存することができる。 本研究の目的は, 実データセット上の機能的設定において, 異常検出のための最近の手法の性能について検討することである。
  論文  参考訳（メタデータ） (2022-01-13T18:20:32Z)
• Canonical Polyadic Decomposition and Deep Learning for Machine Fault Detection [0.0]
  マシンからあらゆる種類の障害を学ぶのに十分なデータを集めることは不可能である。 健康状態のみのデータを用いてトレーニングされた新しいアルゴリズムを開発し、教師なしの異常検出を行った。 これらのアルゴリズムの開発における重要な問題は、異常検出性能に影響を与える信号のノイズである。
  論文  参考訳（メタデータ） (2021-07-20T14:06:50Z)
• Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
  現在の運用環境に固有ののは、敵対的機械学習の実践である。 本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。 我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
  論文  参考訳（メタデータ） (2021-05-14T10:05:10Z)
• No Need to Know Physics: Resilience of Process-based Model-free Anomaly Detection for Industrial Control Systems [97.77117980707081]
  本稿では,システムの物理的特性に違反する逆スプーフィング信号を生成するための新しい枠組みを提案する。 トップセキュリティ会議で公開された4つの異常検知器を分析します。
  論文  参考訳（メタデータ） (2020-12-07T11:02:44Z)
• Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
  異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
  論文  参考訳（メタデータ） (2020-10-27T09:56:16Z)
• 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)

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。