Fugu-MT 論文翻訳(概要): Deep Anomaly Detection on Tennessee Eastman Process Data

論文の概要: Deep Anomaly Detection on Tennessee Eastman Process Data

arxiv url: http://arxiv.org/abs/2303.05904v1
Date: Fri, 10 Mar 2023 13:20:52 GMT
ステータス: 翻訳完了
システム内更新日: 2023-03-13 15:01:20.861476
Title: Deep Anomaly Detection on Tennessee Eastman Process Data
Title（参考訳）: テネシー・イーストマンプロセスデータの深部異常検出
Abstract要約: 本稿では,化学プロセスデータに対する最新の(深層学習)教師なし異常検出手法の総合的評価と解析を行う。我々は、30年近くにわたって異常検出手法をベンチマークする標準的なリトマステストであるテネシー・イーストマンプロセスデータセットに焦点を当てた。
参考スコア（独自算出の注目度）: 24.333297112690627
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: This paper provides the first comprehensive evaluation and analysis of modern (deep-learning) unsupervised anomaly detection methods for chemical process data. We focus on the Tennessee Eastman process dataset, which has been a standard litmus test to benchmark anomaly detection methods for nearly three decades. Our extensive study will facilitate choosing appropriate anomaly detection methods in industrial applications.
Abstract（参考訳）: 本稿では,化学プロセスデータに対する最新の(深層学習)教師なし異常検出手法の総合的評価と解析を行う。我々は、30年近くにわたって異常検出手法をベンチマークする標準的なリトマステストであるテネシー・イーストマンプロセスデータセットに焦点を当てた。本研究は,産業応用における適切な異常検出手法の選定を容易にする。

関連論文リスト

Conditional anomaly detection methods for patient-management alert systems [14.876699168760304]
最近提案された条件付き異常検出フレームワークは、異常検出を拡張し、データ内の属性のサブセット上の異常パターンを特定する。本稿では,条件付き異常を検出するインスタンスベースの手法について述べる。実世界の2つの検出問題に対するインスタンスベースの手法の利点を示す。
論文参考訳（メタデータ） (2026-05-11T16:58:48Z)
Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
論文参考訳（メタデータ） (2024-07-12T01:50:07Z)
GazeForensics: DeepFake Detection via Gaze-guided Spatial Inconsistency Learning [63.547321642941974]
本稿では,3次元視線推定モデルから得られた視線表現を利用する,革新的なDeepFake検出手法であるGazeForensicsを紹介する。実験の結果,提案したGazeForensicsは現在の最先端手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2023-11-13T04:48:33Z)
PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文参考訳（メタデータ） (2023-01-25T16:34:43Z)
A Comparative Study on Unsupervised Anomaly Detection for Time Series: Experiments and Analysis [28.79393419730138]
時系列異常検出は、信頼性と安全性を実現するためにしばしば不可欠である。近年,時系列データの異常検出が盛んに行われている。データ、メソッド、評価戦略について紹介する。我々は,最先端技術とディープラーニング技術とを体系的に評価し,比較した。
論文参考訳（メタデータ） (2022-09-10T10:44:25Z)
TracInAD: Measuring Influence for Anomaly Detection [0.0]
本稿では,TracInに基づく異常をフラグする新しい手法を提案する。本研究では,変分オートエンコーダを用いて,テストポイントにおけるトレーニングポイントのサブサンプルの平均的な影響が,異常のプロキシとして有効であることを示す。
論文参考訳（メタデータ） (2022-05-03T08:20:15Z)
A Critical Study on the Recent Deep Learning Based Semi-Supervised Video Anomaly Detection Methods [3.198144010381572]
本稿では,この分野の研究者を新たな視点に紹介し,最近の深層学習に基づく半教師付きビデオ異常検出手法についてレビューする。私たちのゴールは、より効果的なビデオ異常検出方法の開発を支援することです。
論文参考訳（メタデータ） (2021-11-02T14:00:33Z)
A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
論文参考訳（メタデータ） (2021-09-20T13:40:21Z)
Anomaly Detection via Self-organizing Map [52.542991004752]
製品品質管理のための工業生産において,異常検出が重要な役割を担っている。従来の異常検出方法は、限定的な一般化能力を持つルールベースである。教師付きディープラーニングに基づく最近の手法は、より強力だが、訓練には大規模な注釈付きデータセットが必要である。
論文参考訳（メタデータ） (2021-07-21T06:56:57Z)
Anomaly Detection in Univariate Time-series: A Survey on the State-of-the-Art [0.0]
時系列データの異常検出は、長い間重要な研究分野であった。近年,時系列の異常を検出する機械学習アルゴリズムが増えている。研究者たちは、(ディープ)ニューラルネットワークを使ってこれらの技術を改善しようとした。
論文参考訳（メタデータ） (2020-04-01T13:22:34Z)
Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
論文参考訳（メタデータ） (2020-03-16T02:47:23Z)
Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
論文参考訳（メタデータ） (2020-03-15T08:44:55Z)
$\text{A}^3$: Activation Anomaly Analysis [0.7734726150561088]
隠れアクティベーション値には,正常標本と異常標本の識別に有用な情報が含まれていることを示す。我々のアプローチは、純粋にデータ駆動のエンドツーエンドモデルで3つのニューラルネットワークを組み合わせる。異常ネットワークのおかげで、我々の手法は厳密な半教師付き設定でも機能する。
論文参考訳（メタデータ） (2020-03-03T21:23:56Z)

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。