論文の概要: Applied Bayesian Structural Health Monitoring: inclinometer data anomaly
detection and forecasting
- arxiv url: http://arxiv.org/abs/2307.00305v1
- Date: Sat, 1 Jul 2023 11:28:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-05 16:55:37.264042
- Title: Applied Bayesian Structural Health Monitoring: inclinometer data anomaly
detection and forecasting
- Title（参考訳）: ベイズ構造健康モニタリングの適用:傾斜計データ異常検出と予測
- Authors: David K. E. Green, Adam Jaspan
- Abstract要約: 傾斜計プローブ(inlinometer probe)は、土木斜面内の変形を測定する装置である。
本稿では,実世界の傾斜計データに対するベイズ手法の新たな応用を実証する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Inclinometer probes are devices that can be used to measure deformations
within earthwork slopes. This paper demonstrates a novel application of
Bayesian techniques to real-world inclinometer data, providing both anomaly
detection and forecasting. Specifically, this paper details an analysis of data
collected from inclinometer data across the entire UK rail network.
Practitioners have effectively two goals when processing monitoring data. The
first is to identify any anomalous or dangerous movements, and the second is to
predict potential future adverse scenarios by forecasting. In this paper we
apply Uncertainty Quantification (UQ) techniques by implementing a Bayesian
approach to anomaly detection and forecasting for inclinometer data.
Subsequently, both costs and risks may be minimised by quantifying and
evaluating the appropriate uncertainties. This framework may then act as an
enabler for enhanced decision making and risk analysis.
We show that inclinometer data can be described by a latent autocorrelated
Markov process derived from measurements. This can be used as the transition
model of a non-linear Bayesian filter. This allows for the prediction of system
states. This learnt latent model also allows for the detection of anomalies:
observations that are far from their expected value may be considered to have
`high surprisal', that is they have a high information content relative to the
model encoding represented by the learnt latent model.
We successfully apply the forecasting and anomaly detection techniques to a
large real-world data set in a computationally efficient manner. Although this
paper studies inclinometers in particular, the techniques are broadly
applicable to all areas of engineering UQ and Structural Health Monitoring
(SHM).
- Abstract（参考訳）: 傾斜計プローブ(inlinometer probe)は、土木斜面内の変形を測定する装置である。
本稿では,実世界の傾斜計データにベイズ的手法を適用し,異常検出と予測の両方を提供する。
具体的には,イギリスの鉄道網全体の傾斜計データから収集したデータの解析について述べる。
監視データを処理する場合、実践者は効果的に2つの目標を持つ。
ひとつは異常あるいは危険な動きを識別すること、もうひとつは予測によって潜在的な有害なシナリオを予測すること。
本稿では,傾斜計データの異常検出と予測にベイズ的手法を適用し,不確実性定量化(UQ)手法を適用する。
その後、適切な不確実性を定量化し評価することで、コストとリスクを最小化することができる。
このフレームワークは、強化された意思決定とリスク分析のイネーブラとして機能する。
インクリメータデータは,測定値から得られる潜在自己相関マルコフ過程によって記述できることを示す。
これは非線形ベイズフィルタの遷移モデルとして用いることができる。
これによりシステム状態の予測が可能になる。
この学習潜在性モデルはまた、異常の検出を可能にする: 期待値から遠くない観察は、学習潜在性モデルで表されるモデルエンコーディングに対する高い情報コンテンツを持つ'high surprisal'であると見なされる。
予測および異常検出手法を計算効率よく大規模実世界のデータセットに適用することに成功した。
本稿では,特に傾斜計について検討するが,その技術は工学的UQと構造健康モニタリング(SHM)のあらゆる分野に適用可能である。
関連論文リスト
- Machine Learning for Real-Time Anomaly Detection in Optical Networks [3.899824115379246]
本研究では,エンコーダ・デコーダ(ED)深層学習モデルの複数ステップ先進予測機能を利用したリアルタイム異常検出手法を提案する。
特に、エンコーダ・デコーダは、過去のQoT(Quality-of-Transmission)観測を分析して、長期の水平線(すなわち数日先)上でのソフトフェイル進化をモデル化するために用いられる。
論文 参考訳（メタデータ） (2023-06-19T07:17:59Z) - Towards Motion Forecasting with Real-World Perception Inputs: Are
End-to-End Approaches Competitive? [93.10694819127608]
実世界の知覚入力を用いた予測手法の統一評価パイプラインを提案する。
我々の詳細な調査では、キュレートされたデータから知覚ベースのデータへ移行する際の大きなパフォーマンスギャップが明らかになりました。
論文 参考訳（メタデータ） (2023-06-15T17:03:14Z) - LMD: Light-weight Prediction Quality Estimation for Object Detection in
Lidar Point Clouds [3.927702899922668]
Lidarのクラウドデータのオブジェクト検出は、自動運転とロボット工学にとって有望な技術だ。
不確実性推定は下流タスクにとって重要な要素であり、ディープニューラルネットワークは信頼性の高い予測であってもエラーを起こしやすい。
予測品質推定のための軽量後処理方式LidarMetaDetectを提案する。
本実験は,偽予測から真を分離する際の統計的信頼性を著しく向上させることを示した。
論文 参考訳（メタデータ） (2023-06-13T15:13:29Z) - Uncertainty-Aware AB3DMOT by Variational 3D Object Detection [74.8441634948334]
不確実性推定は統計的に正確な予測を提供する効果的なツールである。
本稿では,変分ニューラルネットワークを用いたTANet 3Dオブジェクト検出器を提案し,不確実性のある3Dオブジェクト検出を行う。
論文 参考訳（メタデータ） (2023-02-12T14:30:03Z) - A Two-Block RNN-based Trajectory Prediction from Incomplete Trajectory [14.725386295605666]
本稿では,ベイズフィルタフレームワークの推論ステップを近似した2ブロックRNNモデルを提案する。
提案手法は,3つのベースライン計算法と比較して予測精度を向上することを示す。
また,提案手法は誤り検出がない場合の基準値よりも予測精度がよいことを示す。
論文 参考訳（メタデータ） (2022-03-14T13:39:44Z) - 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) - 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) - Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。
彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。
本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
論文 参考訳（メタデータ） (2021-02-22T07:02:37Z) - Graph Embedding with Data Uncertainty [113.39838145450007]
スペクトルベースのサブスペース学習は、多くの機械学習パイプラインにおいて、一般的なデータ前処理ステップである。
ほとんどの部分空間学習法は、不確実性の高いデータにつながる可能性のある測定の不正確さやアーティファクトを考慮していない。
論文 参考訳（メタデータ） (2020-09-01T15:08:23Z) - Anomaly Detection in Unsupervised Surveillance Setting Using Ensemble of
Multimodal Data with Adversarial Defense [0.3867363075280543]
本稿では,実時間画像とIMUセンサデータの異常度を推定するアンサンブル検出機構を提案する。
提案手法は,IEEE SP Cup-2020データセットで97.8%の精度で良好に動作する。
論文 参考訳（メタデータ） (2020-07-17T20:03:02Z) - Unsupervised Abnormality Detection Using Heterogeneous Autonomous
Systems [0.3867363075280543]
監視シナリオにおける異常検出は、新たな研究分野である。
本稿では,無人監視ドローンの異常度を推定する異種システムを提案する。
提案手法は, IEEE SP Cup-2020データセットで97.3%の精度で良好に動作する。
論文 参考訳（メタデータ） (2020-06-05T23:09:58Z)
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。