論文の概要: Description and Discussion on DCASE 2023 Challenge Task 2: First-Shot
Unsupervised Anomalous Sound Detection for Machine Condition Monitoring
- arxiv url: http://arxiv.org/abs/2305.07828v2
- Date: Thu, 2 Nov 2023 05:02:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-11-03 17:42:52.294790
- Title: Description and Discussion on DCASE 2023 Challenge Task 2: First-Shot
Unsupervised Anomalous Sound Detection for Machine Condition Monitoring
- Title（参考訳）: DCASE 2023チャレンジタスクの解説と議論 第2報:機械条件モニタリングのための1ショット無監督異常音検出
- Authors: Kota Dohi and Keisuke Imoto and Noboru Harada and Daisuke Niizumi and
Yuma Koizumi and Tomoya Nishida and Harsh Purohit and Ryo Tanabe and Takashi
Endo and Yohei Kawaguchi
- Abstract要約: 主な目標は、マシン条件監視システムの迅速な展開を可能にすることである。
2023タスク2では、全く新しいマシンタイプでモデルをトレーニングする際の課題である、ファーストショットの問題を解決することに重点を置いている。
23チームから提出された86件の分析によると, 基準値を上回るキーは, 1) 異なる領域と属性のクラス不均衡を扱うためのサンプリング技術, 2) 堅牢な検出のための合成サンプルの生成, 3) 複数種類の大規模事前学習モデルを用いて, 異常検出のための意味のある埋め込みを抽出した。
- 参考スコア（独自算出の注目度）: 22.871107042311838
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We present the task description of the Detection and Classification of
Acoustic Scenes and Events (DCASE) 2023 Challenge Task 2: ``First-shot
unsupervised anomalous sound detection (ASD) for machine condition
monitoring''. The main goal is to enable rapid deployment of ASD systems for
new kinds of machines without the need for hyperparameter tuning. In the past
ASD tasks, developed methods tuned hyperparameters for each machine type, as
the development and evaluation datasets had the same machine types. However,
collecting normal and anomalous data as the development dataset can be
infeasible in practice. In 2023 Task 2, we focus on solving the first-shot
problem, which is the challenge of training a model on a completely novel
machine type. Specifically, (i) each machine type has only one section (a
subset of machine type) and (ii) machine types in the development and
evaluation datasets are completely different. Analysis of 86 submissions from
23 teams revealed that the keys to outperform baselines were: 1) sampling
techniques for dealing with class imbalances across different domains and
attributes, 2) generation of synthetic samples for robust detection, and 3) use
of multiple large pre-trained models to extract meaningful embeddings for the
anomaly detector.
- Abstract（参考訳）: 本稿では,音響シーンとイベントの検出と分類に関するタスク記述(dcase)2023 challenge task 2: ‘first-shot unsupervised anomalous sound detection (asd) for machine condition monitoring’について述べる。
主な目標は、ハイパーパラメータチューニングを必要とせずに、新しいタイプのマシンにASDシステムの迅速なデプロイを可能にすることである。
過去のASDタスクでは、開発および評価データセットが同じマシンタイプであったため、各マシンタイプごとにハイパーパラメータをチューニングする手法が開発された。
しかし、通常データや異常データを開発データセットとして収集することは現実には不可能である。
2023タスク2では、全く新しいマシンタイプでモデルをトレーニングする際の課題であるファーストショットの問題を解決することに重点を置いている。
具体的には
(i)各マシンタイプは1つのセクション(マシンタイプのサブセット)のみを有し、
(ii) 開発・評価データセットのマシンタイプは全く異なる。
23チーム86件の分析により, 基準値を上回るキーが得られた。
1)異なるドメインと属性のクラス不均衡を扱うためのサンプリング技術
2)ロバスト検出のための合成試料の生成,及び
3) 複数種類の事前学習モデルを用いて, 異常検出のための意味のある埋め込みを抽出した。
関連論文リスト
- Description and Discussion on DCASE 2024 Challenge Task 2: First-Shot Unsupervised Anomalous Sound Detection for Machine Condition Monitoring [14.646018360317036]
このタスクは、ドメインの一般化に必要な設定下でのファーストショットの問題である。
第一弾問題の主な目的は、新しい種類のマシンにAPDシステムの迅速な展開を可能にすることである。
DCASE 2024 Challenge Task 2では、完全に新しいマシンタイプのデータが新たに収集され、評価データセットとして提供される。
論文 参考訳（メタデータ） (2024-06-11T13:32:40Z) - Towards a General Time Series Anomaly Detector with Adaptive Bottlenecks and Dual Adversarial Decoders [16.31103717602631]
時系列異常検出は幅広い応用において重要な役割を果たす。
既存のメソッドでは、データセットごとに1つの特定のモデルをトレーニングする必要があります。
本稿では,広範囲なマルチドメインデータセット上で事前学習した時系列異常検出モデルを提案する。
論文 参考訳（メタデータ） (2024-05-24T06:59:43Z) - End-To-End Self-tuning Self-supervised Time Series Anomaly Detection [32.746688248671084]
時系列異常検出(TSAD)は、環境センサ、産業タイプ、患者バイオマーカーなど、多くの応用を見出す。
TSADの2倍の課題は、様々な種類の時系列異常を検出できる汎用的で教師なしのモデルである。
TSAP for TSA "on autoPilot"を導入します。
論文 参考訳（メタデータ） (2024-04-03T16:57:26Z) - Cross-modal Prompts: Adapting Large Pre-trained Models for Audio-Visual
Downstream Tasks [55.36987468073152]
本稿では,DG-SCT(Dual-Guided Space-Channel-Temporal)アテンション機構を提案する。
DG-SCTモジュールはトレーニング可能なクロスモーダル・インタラクション・レイヤを事前トレーニングされたオーディオ・ビジュアル・エンコーダに組み込む。
提案手法は, AVE, AVVP, AVS, AVQA, AVQAを含む複数のダウンストリームタスクにまたがる最先端の処理結果を実現する。
論文 参考訳（メタデータ） (2023-11-09T05:24:20Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - AURSAD: Universal Robot Screwdriving Anomaly Detection Dataset [80.6725125503521]
本報告では,UR3eシリーズロボットとOnRobot Screwdriverを用いて作成したデータセットについて述べる。
その結果得られたデータは、正常および異常なロボット動作の2042のサンプルを含んでいる。
このデータを使用した短いMLベンチマークも提供されており、さらなる分析と実験のためのデータの適合性と可能性を示している。
論文 参考訳（メタデータ） (2021-02-02T09:59:23Z) - Deep Dense and Convolutional Autoencoders for Unsupervised Anomaly
Detection in Machine Condition Sounds [55.18259748448095]
本報告では,DCASE 2020 チャレンジの第2タスクのために開発された2つの手法について述べる。
この課題には、異常音を検出する教師なしの学習が含まれており、トレーニングプロセス中に通常の機械作業条件サンプルのみが利用可能である。
この2つの手法は、メルスペクトグラム処理された音響特徴を用いた密集的および畳み込み的アーキテクチャに基づくディープオートエンコーダを含む。
論文 参考訳（メタデータ） (2020-06-18T10:49:49Z) - Description and Discussion on DCASE2020 Challenge Task2: Unsupervised
Anomalous Sound Detection for Machine Condition Monitoring [36.60410256763345]
本稿では,DCASE 2020 Challenge Task 2: Unsupervised Detection of Anomalous Sounds for Machine Condition Monitoringの結果を紹介する。
異常音検出(ASD)の目的は、対象機械から放射される音が正常か異常かを特定することである。
論文 参考訳（メタデータ） (2020-06-10T13:17:36Z) - Unsupervised Domain Adaptation for Acoustic Scene Classification Using
Band-Wise Statistics Matching [69.24460241328521]
機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。
本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。
提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
論文 参考訳（メタデータ） (2020-04-30T23:56:05Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。