論文の概要: A Comprehensive Survey of Deep Transfer Learning for Anomaly Detection
in Industrial Time Series: Methods, Applications, and Directions
- arxiv url: http://arxiv.org/abs/2307.05638v2
- Date: Wed, 10 Jan 2024 22:15:06 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-13 03:56:03.388863
- Title: A Comprehensive Survey of Deep Transfer Learning for Anomaly Detection
in Industrial Time Series: Methods, Applications, and Directions
- Title（参考訳）: 産業時系列における異常検出のためのDeep Transfer Learningに関する総合的調査:方法,応用,方向性
- Authors: Peng Yan, Ahmed Abdulkadir, Paul-Philipp Luley, Matthias Rosenthal,
Gerrit A. Schatte, Benjamin F. Grewe, Thilo Stadelmann
- Abstract要約: 産業プロセスの監視は、効率を高め、品質を最適化する可能性がある。
ディープラーニングは、大規模なデータセット内の非自明なパターンを識別する能力を持つため、このプロセスにおいて重要な役割を果たす。
わずかに異なるケースごとに、標準的なディープラーニングトレーニングのための大規模ラベル付きデータを取得することは不可能である。
深層移動学習はこの問題に対する解決策を提供する。
- 参考スコア（独自算出の注目度）: 5.759456719890725
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automating the monitoring of industrial processes has the potential to
enhance efficiency and optimize quality by promptly detecting abnormal events
and thus facilitating timely interventions. Deep learning, with its capacity to
discern non-trivial patterns within large datasets, plays a pivotal role in
this process. Standard deep learning methods are suitable to solve a specific
task given a specific type of data. During training, deep learning demands
large volumes of labeled data. However, due to the dynamic nature of the
industrial processes and environment, it is impractical to acquire large-scale
labeled data for standard deep learning training for every slightly different
case anew. Deep transfer learning offers a solution to this problem. By
leveraging knowledge from related tasks and accounting for variations in data
distributions, the transfer learning framework solves new tasks with little or
even no additional labeled data. The approach bypasses the need to retrain a
model from scratch for every new setup and dramatically reduces the labeled
data requirement. This survey first provides an in-depth review of deep
transfer learning, examining the problem settings of transfer learning and
classifying the prevailing deep transfer learning methods. Moreover, we delve
into applications of deep transfer learning in the context of a broad spectrum
of time series anomaly detection tasks prevalent in primary industrial domains,
e.g., manufacturing process monitoring, predictive maintenance, energy
management, and infrastructure facility monitoring. We discuss the challenges
and limitations of deep transfer learning in industrial contexts and conclude
the survey with practical directions and actionable suggestions to address the
need to leverage diverse time series data for anomaly detection in an
increasingly dynamic production environment.
- Abstract（参考訳）: 産業プロセスの監視を自動化することは、異常な事象を迅速に検出し、タイムリーな介入を促進することにより、効率を高め、品質を最適化する可能性を秘めている。
大規模データセット内の非自明なパターンを識別する能力を持つディープラーニングは、このプロセスにおいて重要な役割を果たす。
標準的なディープラーニング手法は、特定の種類のデータに与えられた特定のタスクを解決するのに適している。
トレーニング中、ディープラーニングは大量のラベル付きデータを要求する。
しかし,産業プロセスや環境のダイナミックな性質から,新たなケース毎に,標準ディープラーニングトレーニングのための大規模ラベル付きデータを取得することは現実的ではない。
deep transfer learningは、この問題に対する解決策を提供する。
関連するタスクからの知識を活用し、データ分布のばらつきを会計することで、トランスファー学習フレームワークは、付加的なラベル付きデータが少なく、あるいは全くない新しいタスクを解決します。
このアプローチは、新しいセットアップ毎にモデルをスクラッチから再トレーニングする必要を回避し、ラベル付きデータ要件を劇的に削減する。
本調査はまず, 深層移動学習の詳細な検討, 伝達学習の問題点設定, 普及している深層移動学習手法の分類について述べる。
さらに, 製造プロセス監視, 予測保守, エネルギー管理, インフラ設備監視など, 主要産業領域で普及している幅広い時系列異常検出タスクの文脈において, 深層移動学習の応用を探求する。
本稿では,産業場面における深層伝達学習の課題と限界について論じ,よりダイナミックな生産環境において多様な時系列データを活用した異常検出の必要性に対処すべく,実践的な指示と行動可能な提案で調査を終える。
関連論文リスト
- Mind the Interference: Retaining Pre-trained Knowledge in Parameter Efficient Continual Learning of Vision-Language Models [79.28821338925947]
ドメインクラスのインクリメンタル学習は現実的だが、継続的な学習シナリオである。
これらの多様なタスクに対処するために、事前訓練されたビジョンランゲージモデル(VLM)を導入し、その強力な一般化性を実現する。
事前訓練されたVLMにエンコードされた知識は、新しいタスクに適応する際に妨げられ、固有のゼロショット能力を損なう。
既存の手法では、膨大なオーバーヘッドを必要とする余分なデータセットに知識蒸留でVLMをチューニングすることで、この問題に対処している。
我々は、事前学習した知識を保持できるDIKI(Distributed-Aware Interference-free Knowledge Integration)フレームワークを提案する。
論文 参考訳（メタデータ） (2024-07-07T12:19:37Z) - Deep Learning for Trajectory Data Management and Mining: A Survey and Beyond [58.63558696061679]
軌道計算は、位置サービス、都市交通、公共安全など、様々な実用用途において重要である。
トラジェクトリ・コンピューティングのためのディープラーニング(DL4Traj)の開発と最近の進歩について概観する。
特に、軌道計算を増強する可能性を持つ大規模言語モデル(LLM)の最近の進歩をカプセル化する。
論文 参考訳（メタデータ） (2024-03-21T05:57:27Z) - Robust Machine Learning by Transforming and Augmenting Imperfect
Training Data [6.928276018602774]
この論文は、現代の機械学習のいくつかのデータ感度を探求する。
まず、トレーニングデータで測定された事前の人間の識別をMLが符号化するのを防ぐ方法について論じる。
次に、トレーニング中に予測忠実度を提供するが、デプロイ時に信頼性が低い突発的特徴を含むデータから学習する問題について論じる。
論文 参考訳（メタデータ） (2023-12-19T20:49:28Z) - Deep Learning based pipeline for anomaly detection and quality
enhancement in industrial binder jetting processes [68.8204255655161]
異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。
本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
論文 参考訳（メタデータ） (2022-09-21T08:14:34Z) - Consecutive Pretraining: A Knowledge Transfer Learning Strategy with
Relevant Unlabeled Data for Remote Sensing Domain [25.84756140221655]
自然言語処理(NLP)における事前学習を停止しないという考え方に基づいて,CSPT(ConSecutive PreTraining)を提案する。
提案したCSPTは、タスク対応モデルトレーニングのためのラベルなしデータの巨大な可能性を公開することもできる。
その結果,提案したCSPTをタスク認識モデルトレーニングに活用することにより,従来の教師付きプレトレーニング-then-fine-tuning法よりもRTDのダウンストリームタスクのほとんどを上回り得ることがわかった。
論文 参考訳（メタデータ） (2022-07-08T12:32:09Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳（メタデータ） (2021-10-24T22:33:52Z) - Towards Deep Industrial Transfer Learning for Anomaly Detection on Time
Series Data [0.0]
ディープラーニングは、時間変動データセットのパフォーマンス異常検出を約束する。
ディープトランスファー学習は、異なるタスクや場所から以前の知識に基づいて構築されたアルゴリズムを緩和する。
論文 参考訳（メタデータ） (2021-06-09T08:58:56Z) - Data-efficient Weakly-supervised Learning for On-line Object Detection
under Domain Shift in Robotics [24.878465999976594]
文献では、Deep Convolutional Neural Networks (DCNNs)に基づく多数のオブジェクト検出方法が提案されている。
これらの手法はロボティクスに重要な制限がある:オフラインデータのみに学習するとバイアスが発生し、新しいタスクへの適応を防ぐことができる。
本研究では,弱い教師付き学習がこれらの問題にどのように対処できるかを検討する。
論文 参考訳（メタデータ） (2020-12-28T16:36:11Z) - Parrot: Data-Driven Behavioral Priors for Reinforcement Learning [79.32403825036792]
そこで本研究では,実験で得られた複雑なインプット・アウトプット関係を事前に学習する手法を提案する。
RLエージェントが新規な動作を試す能力を阻害することなく、この学習が新しいタスクを迅速に学習するのにどのように役立つかを示す。
論文 参考訳（メタデータ） (2020-11-19T18:47:40Z) - A Survey on Self-supervised Pre-training for Sequential Transfer
Learning in Neural Networks [1.1802674324027231]
移動学習のための自己教師付き事前学習は、ラベルのないデータを用いて最先端の結果を改善する技術として、ますます人気が高まっている。
本稿では,自己指導型学習と伝達学習の分類学の概要を述べるとともに,各領域にまたがる事前学習タスクを設計するためのいくつかの顕著な手法を強調した。
論文 参考訳（メタデータ） (2020-07-01T22:55:48Z) - A System for Real-Time Interactive Analysis of Deep Learning Training [66.06880335222529]
現在利用可能なシステムは、トレーニングプロセスが始まる前に指定しなければならないログデータのみを監視することに限定されている。
本稿では,リアルタイム情報を生成するライブプロセス上で対話型クエリを実行可能にするシステムを提案する。
論文 参考訳（メタデータ） (2020-01-05T11:33:31Z)
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。