論文の概要: Autoencoder-based Online Data Quality Monitoring for the CMS Electromagnetic Calorimeter

• arxiv url: http://arxiv.org/abs/2308.16659v1
• Date: Thu, 31 Aug 2023 11:58:13 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 14:45:36.777923
• Title: Autoencoder-based Online Data Quality Monitoring for the CMS Electromagnetic Calorimeter
• Title（参考訳）: オートエンコーダを用いたCMS電磁計のオンラインデータ品質モニタリング
• Authors: Abhirami Harilal, Kyungmin Park, Michael Andrews and Manfred Paulini (on behalf of the CMS Collaboration)
• Abstract要約: 過去のデータにないECAL異常を検出することができるリアルタイムオートエンコーダに基づく異常検出システムを開発した。 新しいシステムは、推定偽発見率を10-2$から10-4$に維持しながら、異常を効率的に検出し、既存のベンチマークを約2桁上回る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The online Data Quality Monitoring system (DQM) of the CMS electromagnetic calorimeter (ECAL) is a crucial operational tool that allows ECAL experts to quickly identify, localize, and diagnose a broad range of detector issues that would otherwise hinder physics-quality data taking. Although the existing ECAL DQM system has been continuously updated to respond to new problems, it remains one step behind newer and unforeseen issues. Using unsupervised deep learning, a real-time autoencoder-based anomaly detection system is developed that is able to detect ECAL anomalies unseen in past data. After accounting for spatial variations in the response of the ECAL and the temporal evolution of anomalies, the new system is able to efficiently detect anomalies while maintaining an estimated false discovery rate between $10^{-2}$ to $10^{-4}$, beating existing benchmarks by about two orders of magnitude. The real-world performance of the system is validated using anomalies found in 2018 and 2022 LHC collision data. Additionally, first results from deploying the autoencoder-based system in the CMS online DQM workflow for the ECAL barrel during Run 3 of the LHC are presented, showing its promising performance in detecting obscure issues that could have been missed in the existing DQM system.
• Abstract（参考訳）: CMS電磁カロリー計(ECAL)のオンラインデータ品質モニタリングシステム(DQM)は、ECALの専門家が物理品質のデータ取得を妨げる幅広い検出問題を素早く特定し、ローカライズし、診断するための重要な操作ツールである。 既存のECAL DQMシステムは、新しい問題に対応するために継続的に更新されているが、新しい、予期せぬ問題に一歩遅れている。 教師なしディープラーニングを用いて、過去のデータにないECAL異常を検出するリアルタイムオートエンコーダに基づく異常検出システムを開発した。 ECALの応答の空間的変動と異常の時間的進化を考慮し、新しいシステムは10^{-2}$から10^{-4}$の間で推定された偽発見率を維持しながら、異常を効率的に検出し、既存のベンチマークを約2桁の精度で上回った。 実世界のシステムの性能は、2018年と2022年のlhc衝突データに見られる異常を用いて検証される。 さらに、LHCのRun 3中にECALバレル用のCMSオンラインDQMワークフローにオートエンコーダベースのシステムをデプロイした最初の結果が提示され、既存のDQMシステムで見逃された可能性のある不明瞭な問題を検出する上で有望なパフォーマンスを示している。

関連論文リスト

• MELODY: Robust Semi-Supervised Hybrid Model for Entity-Level Online Anomaly Detection with Multivariate Time Series [11.754433499581879]
  欠陥のあるコード変更は、ターゲットサービスのパフォーマンスを低下させ、ダウンストリームサービスのカスケード障害を引き起こす可能性がある。 本稿では,デプロイメントにおける異常検出の問題について検討する。 我々は、エンティティレベルオンラインアノミクス検出のための新しいフレームワーク、半教師付きハイブリッドモデル(MELODY)を提案する。
  論文  参考訳（メタデータ） (2024-01-18T19:02:41Z)
• Spatio-Temporal Anomaly Detection with Graph Networks for Data Quality Monitoring of the Hadron Calorimeter [1.1420116121141344]
  CMS実験はCERNの大型ハドロン衝突型加速器(HCL)における高エネルギー衝突のための汎用検出器である。 オンラインデータ品質監視(DQM)システムを使用して、データ品質の損失を避けるために、素粒子データ取得問題を素早く発見し、診断する。 本稿では、畳み込みニューラルネットワークとグラフニューラルネットワークを用いて、検出器を横断する粒子によって引き起こされる局所的な空間特性を学習するGraphSTADシステムを提案する。
  論文  参考訳（メタデータ） (2023-11-07T18:33:08Z)
• Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter [0.0]
  半教師付き機械学習を用いたリアルタイムオートエンコーダによる異常検出システムを提案する。 異常の時間依存性の進化を利用して異常検出性能を最大化する新しい手法を提案する。 システムの性能は、2018年と2022年のLHC衝突データに見られる異常で検証される。
  論文  参考訳（メタデータ） (2023-09-18T21:11:25Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Measurement based estimator scheme for continuous quantum error correction [52.77024349608834]
  正準離散量子誤差補正(DQEC)スキームは、安定器上の射影フォン・ノイマン測度を用いて誤差症候群を有限集合に識別する。 連続的量子誤差補正(CQEC)と呼ばれる連続的な測定に基づく量子エラー補正(QEC)は、DQECよりも高速に実行でき、資源効率も向上できる。 論理量子ビットの計測に基づく推定器 (MBE) を構築することにより, 物理量子ビットに発生する誤差をリアルタイムで正確に追跡できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T09:07:18Z)
• Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder [0.6649973446180738]
  異常検出は、障害検出、システム監視、イベント検出といった幅広い応用に関係している。 本稿では,スマート計測システムで観測された異常な異常検出手法を提案する。 BiLSTMベースのオートエンコーダが使われ、異常なデータポイントが見つかる。
  論文  参考訳（メタデータ） (2021-12-06T12:34:59Z)
• 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)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)
• 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)
• Anomaly Detection using Deep Autoencoders for in-situ Wastewater Systems Monitoring Data [0.0]
  本稿では, 深部自動エンコーダを用いた廃棄物システム監視データの異常検出手法を提案する。 そして、復号ステージの復元誤差に基づいて異常検出を行う。
  論文  参考訳（メタデータ） (2020-02-07T09:53:46Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。