論文の概要: Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly Detection

• arxiv url: http://arxiv.org/abs/2303.14965v1
• Date: Mon, 27 Mar 2023 07:54:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-28 16:38:23.760583
• Title: Disruption Precursor Onset Time Study Based on Semi-supervised Anomaly Detection
• Title（参考訳）: 半教師付き異常検出に基づく乱れ前処理時間の研究
• Authors: Xinkun Ai, Wei Zheng, Ming Zhang, Dalong Chen, Chengshuo Shen, Bihao Guo, Bingjia Xiao, Yu Zhong, Nengchao Wang, Zhoujun Yang, Zhipeng Chen, Zhongyong Chen, Yonghua Ding, Yuan Pan, and J-TEXT team
• Abstract要約: 本稿では,不均衡な正と負のデータサンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。 異常検出予測器によって推定される開始時間を用いて前駆的なラベリングを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。
• 参考スコア（独自算出の注目度）: 6.287037295927318
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The full understanding of plasma disruption in tokamaks is currently lacking, and data-driven methods are extensively used for disruption prediction. However, most existing data-driven disruption predictors employ supervised learning techniques, which require labeled training data. The manual labeling of disruption precursors is a tedious and challenging task, as some precursors are difficult to accurately identify, limiting the potential of machine learning models. To address this issue, commonly used labeling methods assume that the precursor onset occurs at a fixed time before the disruption, which may not be consistent for different types of disruptions or even the same type of disruption, due to the different speeds at which plasma instabilities escalate. This leads to mislabeled samples and suboptimal performance of the supervised learning predictor. In this paper, we present a disruption prediction method based on anomaly detection that overcomes the drawbacks of unbalanced positive and negative data samples and inaccurately labeled disruption precursor samples. We demonstrate the effectiveness and reliability of anomaly detection predictors based on different algorithms on J-TEXT and EAST to evaluate the reliability of the precursor onset time inferred by the anomaly detection predictor. The precursor onset times inferred by these predictors reveal that the labeling methods have room for improvement as the onset times of different shots are not necessarily the same. Finally, we optimize precursor labeling using the onset times inferred by the anomaly detection predictor and test the optimized labels on supervised learning disruption predictors. The results on J-TEXT and EAST show that the models trained on the optimized labels outperform those trained on fixed onset time labels.
• Abstract（参考訳）: トカマクにおけるプラズマ破壊の完全な理解は現在不足しており、データ駆動法は破壊予測に広く利用されている。 しかし、既存のデータ駆動破壊予測者は、ラベル付きトレーニングデータを必要とする教師付き学習技術を使用している。 破壊前兆の手動ラベリングは退屈で困難な作業であり、一部の前駆者は正確な識別が困難であり、機械学習モデルの可能性を制限している。 この問題に対処するために、一般的なラベリング手法では、前駆体が破壊の前の一定時間に発生すると仮定しているが、プラズマ不安定がエスカレートする速度が異なるため、異なるタイプの破壊や同じタイプの破壊には一致しない可能性がある。 これにより、教師付き学習予測器の誤ったラベル付きサンプルと準最適性能が得られる。 本稿では,不均衡な正および負のデータサンプルと不正確なラベル付き破壊前駆体サンプルの欠点を克服する異常検出に基づく破壊予測手法を提案する。 本稿では,J-TEXT と EAST の異なるアルゴリズムに基づく異常検出予測器の有効性と信頼性を実証し,異常検出予測器によって推定される事前起動時間の信頼性を評価する。 これらの予測器により推定される前駆開始時刻は、異なるショットの開始時刻が必ずしも同じではないため、ラベリング方法が改善の余地があることが示されている。 最後に、異常検出予測器によって推定される開始時刻を用いて前駆的ラベル付けを最適化し、教師付き学習破壊予測器上で最適化されたラベルをテストする。 J-TEXTとEASTの結果、最適化されたラベルでトレーニングされたモデルは、固定された時間ラベルでトレーニングされたモデルよりも優れていた。

関連論文リスト

• Unsupervised Time Series Anomaly Prediction with Importance-based Generative Contrastive Learning [13.082961588929606]
  時系列異常予測は、環境防止やサイバー物理システムの早期維持など、多くの現実のシナリオにおいて重要な役割を果たす。 既存の時系列異常予測手法は、主に手動でラベル付けされた大量のデータで教師付きトレーニングを必要とする。 本稿では,教師なし時系列異常予測の新しい問題について検討する。
  論文  参考訳（メタデータ） (2024-10-22T10:46:36Z)
• Uncertainty-Calibrated Test-Time Model Adaptation without Forgetting [55.17761802332469]
  テスト時間適応(TTA)は、与えられたモデルw.r.t.を任意のテストサンプルに適用することにより、トレーニングデータとテストデータの間の潜在的な分散シフトに取り組むことを目指している。 事前の手法は各テストサンプルに対してバックプロパゲーションを実行するため、多くのアプリケーションに対して許容できない最適化コストがかかる。 本稿では, 有効サンプル選択基準を策定し, 信頼性および非冗長なサンプルを同定する, 効率的なアンチフォッティングテスト時間適応法を提案する。
  論文  参考訳（メタデータ） (2024-03-18T05:49:45Z)
• CARLA: Self-supervised Contrastive Representation Learning for Time Series Anomaly Detection [53.83593870825628]
  時系列異常検出(TSAD)の主な課題は、多くの実生活シナリオにおいてラベル付きデータの欠如である。 既存の異常検出手法の多くは、教師なしの方法で非ラベル時系列の正常な振る舞いを学習することに焦点を当てている。 本稿では,時系列異常検出のためのエンドツーエンドの自己教師型コントラアスティブ表現学習手法を提案する。
  論文  参考訳（メタデータ） (2023-08-18T04:45:56Z)
• Rethinking Precision of Pseudo Label: Test-Time Adaptation via Complementary Learning [10.396596055773012]
  本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。 テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。 我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
  論文  参考訳（メタデータ） (2023-01-15T03:36:33Z)
• Calibrated One-class Classification for Unsupervised Time Series Anomaly Detection [27.15951068292889]
  本稿では,異常検出のための一級分類を提案する。 データの正規性の汚染耐性、異常なインフォームド学習を実現する。 我々のモデルは16人の最先端の競争者に対して大幅な改善を達成している。
  論文  参考訳（メタデータ） (2022-07-25T13:43:13Z)
• Semi-supervised Contrastive Outlier removal for Pseudo Expectation Maximization (SCOPE) [2.33877878310217]
  Pseudo expectation Maximization (SCOPE) のための半教師付きコントラスト外乱除去法を用いて, 共起誤差を抑制する新しい手法を提案する。 その結果,SCOPEはベースライン上での半教師付き分類精度を大幅に向上し,さらに整合正則化と組み合わせた場合,250と4000のラベル付きサンプルを用いた半教師付きCIFAR-10分類タスクにおいて最も高い精度が得られた。
  論文  参考訳（メタデータ） (2022-06-28T19:32:50Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• SLA$^2$P: Self-supervised Anomaly Detection with Adversarial Perturbation [77.71161225100927]
  異常検出は、機械学習の基本的な問題であるが、難しい問題である。 本稿では,非教師付き異常検出のための新しい強力なフレームワークであるSLA$2$Pを提案する。
  論文  参考訳（メタデータ） (2021-11-25T03:53:43Z)
• Tracking the risk of a deployed model and detecting harmful distribution shifts [105.27463615756733]
  実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。 我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
  論文  参考訳（メタデータ） (2021-10-12T17:21:41Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)

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。