論文の概要: The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms

• arxiv url: http://arxiv.org/abs/2307.01054v1
• Date: Mon, 3 Jul 2023 14:34:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-05 12:39:03.475523
• Title: The ROAD to discovery: machine learning-driven anomaly detection in radio astronomy spectrograms
• Title（参考訳）: 発見へのROAD:電波天文学における機械学習による異常検出
• Authors: Michael Mesarcik, Albert-Jan Boonstra, Marco Iacobelli, Elena Ranguelova, Cees de Laat, Rob van Nieuwpoort
• Abstract要約: 電波望遠鏡のための新しい機械学習異常検出フレームワークを提案する。 本稿では,Low Frequency Array (LOFAR) 望遠鏡から7050個の自己相関型スペクトログラムを用いたデータセットを提案する。 我々のシステムはLOFARデータ処理パイプラインのコンテキストにおいてリアルタイムであり、1msで1つのスペクトログラムを処理する必要がある。
• 参考スコア（独自算出の注目度）: 0.3425341633647625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As radio telescopes increase in sensitivity and flexibility, so do their complexity and data-rates. For this reason automated system health management approaches are becoming increasingly critical to ensure nominal telescope operations. We propose a new machine learning anomaly detection framework for classifying both commonly occurring anomalies in radio telescopes as well as detecting unknown rare anomalies that the system has potentially not yet seen. To evaluate our method, we present a dataset consisting of 7050 autocorrelation-based spectrograms from the Low Frequency Array (LOFAR) telescope and assign 10 different labels relating to the system-wide anomalies from the perspective of telescope operators. This includes electronic failures, miscalibration, solar storms, network and compute hardware errors among many more. We demonstrate how a novel Self Supervised Learning (SSL) paradigm, that utilises both context prediction and reconstruction losses, is effective in learning normal behaviour of the LOFAR telescope. We present the Radio Observatory Anomaly Detector (ROAD), a framework that combines both SSL-based anomaly detection and a supervised classification, thereby enabling both classification of both commonly occurring anomalies and detection of unseen anomalies. We demonstrate that our system is real-time in the context of the LOFAR data processing pipeline, requiring <1ms to process a single spectrogram. Furthermore, ROAD obtains an anomaly detection F-2 score of 0.92 while maintaining a false positive rate of ~2\%, as well as a mean per-class classification F-2 score 0.89, outperforming other related works.
• Abstract（参考訳）: 電波望遠鏡の感度と柔軟性が高まるにつれて、その複雑さとデータレートも高まる。 このため、自動的な健康管理アプローチは、名目上の望遠鏡の運用を保証するためにますます重要になっている。 本稿では,電波望遠鏡で一般的に発生する異常を分類し,未知の異常を検知するための新しい機械学習異常検出フレームワークを提案する。 本稿では,Low Frequency Array (LOFAR) 望遠鏡から7050個の自己相関に基づくスペクトログラムを抽出し,望遠鏡オペレータの観点からシステムワイド異常に関連する10のラベルを割り当てる。 これには、電子的故障、誤校正、太陽嵐、ネットワークおよびハードウェアエラーの計算が含まれる。 LOFAR望遠鏡の正常な動作の学習には,コンテキスト予測と再構成損失の両方を活用する新たな自己監視学習(SSL)パラダイムが有効であることを示す。 本稿では、SSLベースの異常検出と教師付き分類を併用し、一般的に発生する異常の分類と目に見えない異常の検出を両立させるフレームワークである無線観測器異常検知器(ROAD)を提案する。 我々のシステムはLOFARデータ処理パイプラインのコンテキストにおいてリアルタイムであり、1つのスペクトログラムを処理するのに<1msが必要であった。 さらに、ROADは、偽陽性率~2\%を維持しつつ、異常検出F-2スコア0.92と、クラスごとの平均分類F-2スコア0.89とを取得し、他の関連作品を上回っている。

関連論文リスト

• Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
  本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。 目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
  論文  参考訳（メタデータ） (2024-07-29T12:39:07Z)
• GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
  GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。 本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。 提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
  論文  参考訳（メタデータ） (2024-07-17T09:27:41Z)
• A Classifier-Based Approach to Multi-Class Anomaly Detection for Astronomical Transients [0.0]
  リアルタイム異常検出は、大規模な天文学調査の時代に稀な過渡期を識別するために不可欠である。 現在、天文学的トランジェントに対するほとんどの異常検出アルゴリズムは、光曲線から抽出された手作りの特徴に依存している。 本稿では,異常検出のための潜在空間としてニューラルネットワーク分類器の最後層を用いる,異常検出のための代替手法を提案する。
  論文  参考訳（メタデータ） (2024-03-21T18:00:00Z)
• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• 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)
• Memory-augmented Adversarial Autoencoders for Multivariate Time-series Anomaly Detection with Deep Reconstruction and Prediction [4.033624665609417]
  本稿では,時系列の非教師付き異常検出手法であるMemAAEを提案する。 2つの補完的プロキシタスク、再構築と予測を共同でトレーニングすることにより、複数のタスクによる異常検出が優れた性能を得ることを示す。 MemAAEは4つの公開データセットで総合F1スコアの0.90を達成し、最高のベースラインである0.02を上回っている。
  論文  参考訳（メタデータ） (2021-10-15T18:29:05Z)
• CSCAD: Correlation Structure-based Collective Anomaly Detection in Complex System [11.739889613196619]
  大規模システムにおける高次元異常検出問題に対する相関構造に基づく集団異常検出モデルを提案する。 本フレームワークでは,変分オートエンコーダを組み合わせたグラフ畳み込みネットワークを用いて,特徴空間の相関とサンプルの再構成不足を共同で活用する。 異常判別ネットワークは、低異常度サンプルを正のサンプルとして、高異常度サンプルを負のサンプルとしてトレーニングすることができる。
  論文  参考訳（メタデータ） (2021-05-30T09:28:25Z)
• PANDA : Perceptually Aware Neural Detection of Anomalies [20.838700258121197]
  視覚的に異なる異常と微妙な異常の両方を検出するために、半監督方式で訓練された新しい微粒VAE-GANアーキテクチャを提案する。 残差接続された二重機能抽出器, きめ細かい識別器, 知覚的損失関数を用いることで, 微妙で低いクラス間変異(異常対正常)を検出することができる。
  論文  参考訳（メタデータ） (2021-04-28T11:03:50Z)
• 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)
• TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
  TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。 時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。 提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
  論文  参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。