論文の概要: Comparative Study on Semi-supervised Learning Applied for Anomaly
Detection in Hydraulic Condition Monitoring System
- arxiv url: http://arxiv.org/abs/2306.02709v2
- Date: Tue, 20 Jun 2023 11:02:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-22 01:25:00.238940
- Title: Comparative Study on Semi-supervised Learning Applied for Anomaly
Detection in Hydraulic Condition Monitoring System
- Title（参考訳）: 油圧モニタリングシステムにおける異常検出のための半教師付き学習の比較検討
- Authors: Yongqi Dong, Kejia Chen, Zhiyuan Ma
- Abstract要約: 本研究では,油圧モニタリングシステムにおける異常検出に応用した半教師付き学習手法を系統的に比較した。
カスタマイズされた極端学習マシンをベースとした半教師付きHELMモデルは、最先端の性能(99.5%)、最低偽陽性率(0.015)、最高のF1スコア(0.985)が他の半教師付き手法を上回った。
- 参考スコア（独自算出の注目度）: 0.32228025627337864
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Condition-based maintenance is becoming increasingly important in hydraulic
systems. However, anomaly detection for these systems remains challenging,
especially since that anomalous data is scarce and labeling such data is
tedious and even dangerous. Therefore, it is advisable to make use of
unsupervised or semi-supervised methods, especially for semi-supervised
learning which utilizes unsupervised learning as a feature extraction mechanism
to aid the supervised part when only a small number of labels are available.
This study systematically compares semi-supervised learning methods applied for
anomaly detection in hydraulic condition monitoring systems. Firstly, thorough
data analysis and feature learning were carried out to understand the
open-sourced hydraulic condition monitoring dataset. Then, various methods were
implemented and evaluated including traditional stand-alone semi-supervised
learning models (e.g., one-class SVM, Robust Covariance), ensemble models
(e.g., Isolation Forest), and deep neural network based models (e.g.,
autoencoder, Hierarchical Extreme Learning Machine (HELM)). Typically, this
study customized and implemented an extreme learning machine based
semi-supervised HELM model and verified its superiority over other
semi-supervised methods. Extensive experiments show that the customized HELM
model obtained state-of-the-art performance with the highest accuracy (99.5%),
the lowest false positive rate (0.015), and the best F1-score (0.985) beating
other semi-supervised methods.
- Abstract（参考訳）: 油圧システムでは条件ベースのメンテナンスがますます重要になっている。
しかし,異常データが少なく,ラベル付けが面倒で危険であるため,異常検出は依然として困難である。
したがって、教師なしあるいは半教師なしの手法、特に少数のラベルが利用可能である場合に、教師なし学習を特徴抽出機構として活用する半教師なし学習に利用することが望ましい。
本研究では,油圧モニタリングシステムにおける異常検出に応用した半教師付き学習手法を系統的に比較した。
まず、オープンソースの水理条件モニタリングデータセットを理解するために、詳細なデータ分析と特徴学習を行った。
次に,従来のスタンドアロン半教師付き学習モデル(一級svm,ロバスト共分散など),アンサンブルモデル(孤立フォレストなど),ディープニューラルネットワークに基づくモデル(オートエンコーダ,階層型極端学習マシン(helm)など)など,様々な手法の実装と評価を行った。
典型的には、この研究は、極端な学習マシンに基づく半教師付きHELMモデルをカスタマイズし、実装し、他の半教師付き手法よりもその優位性を検証した。
広範囲な実験により、カスタマイズされたヘルムモデルは、最も高い精度(99.5%)、最も低い偽陽性率(0.015)、そして最も優れたf1-score(0.985)で他の半教師あり法を上回った。
関連論文リスト
- Data-driven Bayesian State Estimation with Compressed Measurement of Model-free Process using Semi-supervised Learning [57.04370580292727]
モデルフリープロセスの圧縮測定(BSCM)によるデータ駆動ベイズ状態の推定。
時間的測定ベクトルの次元は、推定される時間的状態ベクトルの次元よりも低い。
既存の2つの教師なし学習ベースのデータ駆動手法は、モデルフリープロセスのBSCM問題に対処できない。
半教師付き学習に基づくDANSE手法を開発し,その手法をSemiDANSEと呼ぶ。
論文 参考訳（メタデータ） (2024-07-10T05:03:48Z) - Data-driven Semi-supervised Machine Learning with Surrogate Safety Measures for Abnormal Driving Behavior Detection [6.972018255192681]
本研究では,いくつかの異常運転行動を明らかにする大規模実世界のデータを分析した。
部分ラベル付きデータを用いた半教師付き機械学習(ML)法を開発し,異常運転行動を正確に検出する。
論文 参考訳（メタデータ） (2023-12-07T16:16:09Z) - Unsupervised Anomaly Detection via Nonlinear Manifold Learning [0.0]
異常は、残りのデータから著しく逸脱するサンプルであり、その検出は機械学習モデルを構築する上で大きな役割を果たす。
非線形多様体学習に基づく頑健で効率的かつ解釈可能な手法を導入し,教師なし設定における異常を検出する。
論文 参考訳（メタデータ） (2023-06-15T18:48:10Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳（メタデータ） (2023-04-20T17:11:05Z) - 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) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - 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 Cybersecurity: Unsupervised, Graph-Based and
Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。
本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。
我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文 参考訳（メタデータ） (2021-05-14T10:05:10Z) - RLAD: Time Series Anomaly Detection through Reinforcement Learning and
Active Learning [17.089402177923297]
新しい半監視型時系列異常検出アルゴリズムを紹介します。
深層強化学習とアクティブラーニングを使用して、実世界の時系列データの異常を効率的に学習し、適応する。
パラメータを手動でチューニングする必要はなく、比較するすべての最先端のメソッドを上回ります。
論文 参考訳（メタデータ） (2021-03-31T15:21:15Z) - Semi-supervised and Unsupervised Methods for Heart Sounds Classification
in Restricted Data Environments [4.712158833534046]
本研究は、PhyloNet/CinC 2016 Challengeデータセット上で、様々な教師付き、半教師付き、教師なしのアプローチを用いる。
GANをベースとした半教師付き手法が提案され,非ラベルデータサンプルを用いてデータ分散の学習を促進できる。
特に、1D CNN Autoencoderと1クラスSVMを併用した教師なし特徴抽出は、データラベル付けなしで優れた性能が得られる。
論文 参考訳（メタデータ） (2020-06-04T02:07:35Z)
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。