論文の概要: Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs

• arxiv url: http://arxiv.org/abs/2308.13433v1
• Date: Fri, 25 Aug 2023 15:25:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-28 13:32:15.923119
• Title: Representing Timed Automata and Timing Anomalies of Cyber-Physical Production Systems in Knowledge Graphs
• Title（参考訳）: 知識グラフにおけるサイバー物理生産システムの時間自動表現とタイミング異常
• Authors: Tom Westermann, Milapji Singh Gill, Alexander Fay
• Abstract要約: 本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
• 参考スコア（独自算出の注目度）: 51.98400002538092
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Model-Based Anomaly Detection has been a successful approach to identify deviations from the expected behavior of Cyber-Physical Production Systems. Since manual creation of these models is a time-consuming process, it is advantageous to learn them from data and represent them in a generic formalism like timed automata. However, these models - and by extension, the detected anomalies - can be challenging to interpret due to a lack of additional information about the system. This paper aims to improve model-based anomaly detection in CPPS by combining the learned timed automaton with a formal knowledge graph about the system. Both the model and the detected anomalies are described in the knowledge graph in order to allow operators an easier interpretation of the model and the detected anomalies. The authors additionally propose an ontology of the necessary concepts. The approach was validated on a five-tank mixing CPPS and was able to formally define both automata model as well as timing anomalies in automata execution.
• Abstract（参考訳）: モデルに基づく異常検出は,サイバー物理生産システムの期待する挙動から逸脱を識別する手法として成功している。 これらのモデルのマニュアル作成は時間を要するプロセスであるため、データからそれらを学び、タイムドオートマトンのような一般的な形式で表現することが有利である。 しかしながら、これらのモデル — および拡張によって検出された異常 — は、システムに関する追加情報がないため、解釈が難しい場合がある。 本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。 モデルと検出された異常は、オペレーターがモデルと検出された異常をより容易に解釈できるように、知識グラフに記述される。 著者らは必要概念のオントロジーも提案している。 この手法は5タンク混合CPPSで検証され、オートマチックモデルと自動実行時のタイミング異常の両方を正式に定義することができた。

関連論文リスト

• Automatic Discovery and Assessment of Interpretable Systematic Errors in Semantic Segmentation [0.5242869847419834]
  本稿では,セグメンテーションモデルにおける体系的誤りを発見するための新しい手法を提案する。 マルチモーダル・ファンデーション・モデルを用いてエラーを検索し、誤った性質とともに概念的リンクを用いてこれらのエラーの体系的性質を研究する。 我々の研究は、これまでセマンティックセグメンテーションで過小評価されてきたモデル分析と介入への道を開く。
  論文  参考訳（メタデータ） (2024-11-16T17:31:37Z)
• 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)
• 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)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• Anomaly Detection of Time Series with Smoothness-Inducing Sequential Variational Auto-Encoder [59.69303945834122]
  Smoothness-Inducing Sequential Variational Auto-Encoder (SISVAE) モデルを提案する。 我々のモデルは、フレキシブルニューラルネットワークを用いて各タイムスタンプの平均と分散をパラメータ化する。 合成データセットと公開実世界のベンチマークの両方において,本モデルの有効性を示す。
  論文  参考訳（メタデータ） (2021-02-02T06:15:15Z)
• LSTM for Model-Based Anomaly Detection in Cyber-Physical Systems [4.020523898765404]
  異常検出は、与えられたコンテキストにおけるシステムの通常の振る舞いとは異なるデータを検出するタスクである。 LSTM(Long Short-Term Memory)ニューラルネットワークは、時系列を学習するのに特に有用であることが示されている。 私たちは、人工データと実データに対するアプローチを分析します。
  論文  参考訳（メタデータ） (2020-10-29T15:26:08Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)

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。