Fugu-MT 論文翻訳(概要): Lessons from the Development of an Anomaly Detection Interface on the Mars Perseverance Rover using the ISHMAP Framework

論文の概要: Lessons from the Development of an Anomaly Detection Interface on the Mars Perseverance Rover using the ISHMAP Framework

arxiv url: http://arxiv.org/abs/2302.07187v1
Date: Tue, 14 Feb 2023 16:55:32 GMT
ステータス: 処理完了
システム内更新日: 2023-02-15 14:50:28.192346
Title: Lessons from the Development of an Anomaly Detection Interface on the Mars Perseverance Rover using the ISHMAP Framework
Title（参考訳）: ISHMAPフレームワークを用いた火星潜伏ローバーの異常検出インタフェース開発からの教訓
Authors: Austin P. Wright, Peter Nemere, Adrian Galvin, Duen Horng Chau, Scott Davidoff
Abstract要約: 本稿では,機械学習に基づく異常検出の代替手法を用いた結果について述べる。我々は、スペクトル異常を検出し、解釈しようとするNASAの科学者が直面する重要な問題を定義するために、コンテキスト内ユーザーリサーチと共同設計を18ヶ月以上にわたって実施したことを報告した。我々はPIXL科学者のための新しいスペクトル異常検出ツールキットを開発し、科学的解釈に対する強い透明性を維持しつつ、高精度である。
参考スコア（独自算出の注目度）: 8.353815643035498
License: http://creativecommons.org/licenses/by/4.0/
Abstract: While anomaly detection stands among the most important and valuable problems across many scientific domains, anomaly detection research often focuses on AI methods that can lack the nuance and interpretability so critical to conducting scientific inquiry. In this application paper we present the results of utilizing an alternative approach that situates the mathematical framing of machine learning based anomaly detection within a participatory design framework. In a collaboration with NASA scientists working with the PIXL instrument studying Martian planetary geochemistry as a part of the search for extra-terrestrial life; we report on over 18 months of in-context user research and co-design to define the key problems NASA scientists face when looking to detect and interpret spectral anomalies. We address these problems and develop a novel spectral anomaly detection toolkit for PIXL scientists that is highly accurate while maintaining strong transparency to scientific interpretation. We also describe outcomes from a yearlong field deployment of the algorithm and associated interface. Finally we introduce a new design framework which we developed through the course of this collaboration for co-creating anomaly detection algorithms: Iterative Semantic Heuristic Modeling of Anomalous Phenomena (ISHMAP), which provides a process for scientists and researchers to produce natively interpretable anomaly detection models. This work showcases an example of successfully bridging methodologies from AI and HCI within a scientific domain, and provides a resource in ISHMAP which may be used by other researchers and practitioners looking to partner with other scientific teams to achieve better science through more effective and interpretable anomaly detection tools.
Abstract（参考訳）: 異常検出は、多くの科学領域でもっとも重要かつ価値のある問題の一つであるが、異常検出研究は、しばしば科学的調査を行う上で非常に重要なニュアンスと解釈可能性に欠けるai手法に焦点を当てている。本稿では,機械学習に基づく異常検出の数学的フレーミングを,参加型設計フレームワーク内で実現するための代替手法を提案する。我々は、地球外生命探査の一環として、火星の惑星地球化学を研究するpixlインスツルメンツと協力して、nasaの科学者がスペクトル異常を検出し、解釈しようとする際に直面する重要な問題を定義するために、コンテキスト内ユーザリサーチと共同設計の18ヶ月以上にわたって実施していることを報告した。我々は,これらの問題に対処し,科学的解釈に対する強い透明性を維持しつつ,高精度なスペクトル異常検出ツールキットを開発した。また,アルゴリズムと関連するインタフェースの1年間のフィールド展開の結果についても述べる。最後に, 異常検出アルゴリズムの協調開発を通じて, 研究者や研究者が自然に解釈可能な異常検出モデルを作成するプロセスを提供する, 異常現象の反復的セマンティックヒューリスティックモデリング(ISHMAP)を提案する。この研究は、科学領域におけるaiとhciからの手法の橋渡しに成功した例を示しており、より効果的で解釈可能な異常検出ツールを通じてより良い科学を達成するために、他の研究者や実践者が他の科学チームと協力することを目的とした、ishmapのリソースを提供する。

関連論文リスト

DISCOVERYWORLD: A Virtual Environment for Developing and Evaluating Automated Scientific Discovery Agents [49.74065769505137]
本研究では,新しい科学的発見の完全なサイクルを実行するエージェントの能力を開発し,ベンチマークする最初の仮想環境であるDiscoVERYWORLDを紹介する。 8つのトピックにまたがる120の異なる課題タスクが含まれており、3レベルの難易度といくつかのパラメトリックなバリエーションがある。従来の環境においてよく機能する強力なベースラインエージェントが、ほとんどのdiscoVERYWORLDタスクに苦労していることがわかった。
論文参考訳（メタデータ） (2024-06-10T20:08:44Z)
Progressing from Anomaly Detection to Automated Log Labeling and Pioneering Root Cause Analysis [53.24804865821692]
本研究では、ログ異常の分類を導入し、ラベル付けの課題を軽減するために、自動ラベリングについて検討する。この研究は、根本原因分析が異常検出に続く未来を予見し、異常の根本原因を解明する。
論文参考訳（メタデータ） (2023-12-22T15:04:20Z)
Constructing Impactful Machine Learning Research for Astronomy: Best Practices for Researchers and Reviewers [0.0]
機械学習は、天文学のコミュニティにとって、急速に選択のツールになりつつある。本稿では、機械学習モデルの実装方法と結果の報告方法について、天文学コミュニティにプライマーを提供する。
論文参考訳（メタデータ） (2023-10-19T07:04:36Z)
Searching for Novel Chemistry in Exoplanetary Atmospheres using Machine Learning for Anomaly Detection [1.8434042562191815]
我々は、異常検出のための機械学習(ML)技術の太陽系外惑星トランジットスペクトルへの応用を提唱する。合成スペクトルの大規模公開データベース上での2つの一般的な異常検出手法の有効性を実証する。
論文参考訳（メタデータ） (2023-08-15T07:19:54Z)
A Diachronic Analysis of Paradigm Shifts in NLP Research: When, How, and Why? [84.46288849132634]
本稿では、因果発見と推論技術を用いて、科学分野における研究トピックの進化を分析するための体系的な枠組みを提案する。我々は3つの変数を定義し、NLPにおける研究トピックの進化の多様な側面を包含する。我々は因果探索アルゴリズムを用いてこれらの変数間の因果関係を明らかにする。
論文参考訳（メタデータ） (2023-05-22T11:08:00Z)
GFlowNets for AI-Driven Scientific Discovery [74.27219800878304]
我々はGFlowNetsと呼ばれる新しい確率論的機械学習フレームワークを提案する。 GFlowNetsは、実験科学ループのモデリング、仮説生成、実験的な設計段階に適用できる。我々は、GFlowNetsがAIによる科学的発見の貴重なツールになり得ると論じている。
論文参考訳（メタデータ） (2023-02-01T17:29:43Z)
Trust Your $\nabla$: Gradient-based Intervention Targeting for Causal Discovery [49.084423861263524]
本稿では,GIT を短縮した新しいグラディエント型インターベンションターゲティング手法を提案する。 GITは、介入獲得関数の信号を提供するために勾配に基づく因果探索フレームワークの勾配推定器を「信頼」する。我々はシミュレーションおよび実世界のデータセットで広範な実験を行い、GITが競合するベースラインと同等に動作することを示す。
論文参考訳（メタデータ） (2022-11-24T17:04:45Z)
Deep Learning for Time Series Anomaly Detection: A Survey [53.83593870825628]
時系列異常検出は、製造業や医療を含む幅広い研究分野や応用に応用されている。時系列の大規模かつ複雑なパターンにより、研究者は異常パターンを検出するための特別な深層学習モデルを開発するようになった。本調査は,ディープラーニングを用いた構造化および総合的時系列異常検出モデルの提供に焦点を当てる。
論文参考訳（メタデータ） (2022-11-09T22:40:22Z)
Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through Feature Learning [0.7388859384645262]
本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
論文参考訳（メタデータ） (2022-03-09T23:39:41Z)
Applications of Generative Adversarial Networks in Anomaly Detection: A Systematic Literature Review [28.752089275446462]
GAN(Generative Adversarial Network)は異常検出研究において大きな注目を集めている。本稿では,GANの異常検出への応用について,系統的な文献レビューを行う。
論文参考訳（メタデータ） (2021-10-22T21:48:48Z)
Interactive Causal Structure Discovery in Earth System Sciences [6.788563219859884]
因果構造発見(CSD)モデルは、地球システム科学を含むいくつかの領域に進出している。彼らの広範な適応は、結果のモデルが専門家のドメイン知識を考慮していないことが多いという事実によって妨げられている。我々は、この知識を考慮に入れ、地球系科学にCSDアルゴリズムを適用するために必要となるワークフローを提示する。
論文参考訳（メタデータ） (2021-07-01T09:23:08Z)

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。