論文の概要: A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data
- arxiv url: http://arxiv.org/abs/2305.10059v1
- Date: Wed, 17 May 2023 08:55:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-18 16:45:48.350954
- Title: A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data
- Title（参考訳）: イベントログデータを用いたATM故障予測のための畳み込みカーネルに基づくハイブリッド特徴学習手法
- Authors: V\'ictor Manuel Vargas, Riccardo Rosati, C\'esar Herv\'as-Mart\'inez,
Adriano Mancini, Luca Romeo, Pedro Antonio Guti\'errez
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 5.859431341476405
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Predictive Maintenance (PdM) methods aim to facilitate the scheduling of
maintenance work before equipment failure. In this context, detecting early
faults in automated teller machines (ATMs) has become increasingly important
since these machines are susceptible to various types of unpredictable
failures. ATMs track execution status by generating massive event-log data that
collect system messages unrelated to the failure event. Predicting machine
failure based on event logs poses additional challenges, mainly in extracting
features that might represent sequences of events indicating impending
failures. Accordingly, feature learning approaches are currently being used in
PdM, where informative features are learned automatically from minimally
processed sensor data. However, a gap remains to be seen on how these
approaches can be exploited for deriving relevant features from event-log-based
data. To fill this gap, we present a predictive model based on a convolutional
kernel (MiniROCKET and HYDRA) to extract features from the original event-log
data and a linear classifier to classify the sample based on the learned
features. The proposed methodology is applied to a significant real-world
collected dataset. Experimental results demonstrated how one of the proposed
convolutional kernels (i.e. HYDRA) exhibited the best classification
performance (accuracy of 0.759 and AUC of 0.693). In addition, statistical
analysis revealed that the HYDRA and MiniROCKET models significantly overcome
one of the established state-of-the-art approaches in time series
classification (InceptionTime), and three non-temporal ML methods from the
literature. The predictive model was integrated into a container-based decision
support system to support operators in the timely maintenance of ATMs.
- Abstract（参考訳）: 予測保守法(PdM)は設備故障前の保守作業のスケジューリングを容易にすることを目的としている。
このような状況下では,atm(automated teller machine)の早期障害検出は,さまざまな予測不能な障害に影響を受けやすいため,ますます重要になっている。
ATMは、障害イベントとは無関係なシステムメッセージを集める巨大なイベントログデータを生成することで、実行状況を追跡する。
イベントログに基づくマシン障害の予測は、主に差し迫った障害を示すイベントのシーケンスを表す可能性のある機能を抽出する上で、さらなる課題を引き起こす。
したがって、pdmでは、最小処理されたセンサデータから情報的特徴を自動的に学習する機能学習アプローチが使用されている。
しかしながら、イベントログベースのデータから関連する機能を引き出すためにこれらのアプローチをどのように活用するかについては、まだギャップがある。
このギャップを埋めるために、元のイベントログデータから特徴を抽出する畳み込みカーネル(MiniROCKETとHYDRA)と、学習した特徴に基づいてサンプルを分類する線形分類器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。
実験の結果、提案された畳み込みカーネルの1つ(HYDRA)が最高の分類性能(精度0.759、AUC0.693)を示した。
さらに統計解析により,HYDRAモデルとMiniROCKETモデルが時系列分類(InceptionTime)において確立された最先端手法の1つと,文献からの3つの非時間ML手法を著しく上回っていることが明らかとなった。
予測モデルは、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。
関連論文リスト
- Root Causing Prediction Anomalies Using Explainable AI [3.970146574042422]
本稿では,機械学習モデルにおける根源的性能劣化に対する説明可能なAI(XAI)の新たな応用法を提案する。
単一機能の破損は、カスケード機能、ラベル、コンセプトドリフトを引き起こす可能性がある。
我々は、パーソナライズされた広告に使用されるモデルの信頼性を向上させるために、この手法をうまく応用した。
論文 参考訳（メタデータ） (2024-03-04T19:38:50Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - DynamoPMU: A Physics Informed Anomaly Detection and Prediction
Methodology using non-linear dynamics from $\mu$PMU Measurement Data [0.0]
我々は、$mu$PMUストリーミングデータの異常を検知し、制御方程式を用いてイベントを同時に予測する物理力学に基づくアプローチを開発した。
提案手法の有効性を,LBNL分布グリッドから得た実際の$mu$PMUデータの解析により実証する。
論文 参考訳（メタデータ） (2023-03-31T19:32:24Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - Robust Event Classification Using Imperfect Real-world PMU Data [58.26737360525643]
本研究では,不完全な実世界のファサー計測単位(PMU)データを用いて,ロバストな事象分類について検討する。
我々は、堅牢なイベント分類器を訓練するための新しい機械学習フレームワークを開発する。
論文 参考訳（メタデータ） (2021-10-19T17:41:43Z) - A Meta-learning Approach to Reservoir Computing: Time Series Prediction
with Limited Data [0.0]
本研究では,実験プロセスから適切なモデル構造を自動的に抽出するデータ駆動型手法を提案する。
簡単なベンチマーク問題に対して,我々のアプローチを実証する。
論文 参考訳（メタデータ） (2021-10-07T18:23:14Z) - FairCanary: Rapid Continuous Explainable Fairness [8.362098382773265]
本稿では,新しいモデルバイアス量化尺度であるQuantile Demographic Drift(QDD)を提案する。
QDDは継続的な監視シナリオに最適であり、従来のしきい値ベースのバイアスメトリクスの統計的制限に悩まされない。
QDDをFairCanaryと呼ばれる継続的モデル監視システムに組み込み、各予測毎に計算された既存の説明を再利用します。
論文 参考訳（メタデータ） (2021-06-13T17:47:44Z) - 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) - Robust and Transferable Anomaly Detection in Log Data using Pre-Trained
Language Models [59.04636530383049]
クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。
システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
論文 参考訳（メタデータ） (2021-02-23T09:17:05Z) - Self-Attentive Classification-Based Anomaly Detection in Unstructured
Logs [59.04636530383049]
ログ表現を学習するための分類法であるLogsyを提案する。
従来の方法と比較して,F1スコアの平均0.25の改善を示す。
論文 参考訳（メタデータ） (2020-08-21T07:26:55Z) - Data-Driven Failure Prediction in Brittle Materials: A Phase-Field Based
Machine Learning Framework [1.3858051019755282]
繰り返しまたは増加する負荷下でマイクロ・マクロ・クラックによって導かれる脆性材料の破壊は、しばしば破滅的である。
等温・線形弾性・等方位相場モデルにおける故障を予測するための教師付き機械学習(ML)フレームワークを開発した。
提案手法は,高い騒音レベルが存在する場合でも,許容精度で故障を予測できることを示す。
論文 参考訳（メタデータ） (2020-03-24T17:13:08Z)
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。