論文の概要: Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent
Light Source
- arxiv url: http://arxiv.org/abs/2309.02333v1
- Date: Tue, 5 Sep 2023 15:53:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-06 13:53:09.979483
- Title: Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent
Light Source
- Title(参考訳): レジリエントVAE:SLACリナックコヒーレント光源における教師なし異常検出
- Authors: Ryan Humble, William Colocho, Finn O'Shea, Daniel Ratner, Eric Darve
- Abstract要約: 本稿では,Resilient Variational Autoencoder (ResVAE)について紹介する。
ResVAEはトレーニングデータに存在する異常に対するレジリエンスを示し、特徴レベルの異常属性を提供する。
本稿では,SLAC Linac Coherent Light Sourceにおける加速器状態の異常を検出するために提案手法を適用した。
- 参考スコア(独自算出の注目度): 3.7390282036618916
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Significant advances in utilizing deep learning for anomaly detection have
been made in recent years. However, these methods largely assume the existence
of a normal training set (i.e., uncontaminated by anomalies) or even a
completely labeled training set. In many complex engineering systems, such as
particle accelerators, labels are sparse and expensive; in order to perform
anomaly detection in these cases, we must drop these assumptions and utilize a
completely unsupervised method. This paper introduces the Resilient Variational
Autoencoder (ResVAE), a deep generative model specifically designed for anomaly
detection. ResVAE exhibits resilience to anomalies present in the training data
and provides feature-level anomaly attribution. During the training process,
ResVAE learns the anomaly probability for each sample as well as each
individual feature, utilizing these probabilities to effectively disregard
anomalous examples in the training data. We apply our proposed method to detect
anomalies in the accelerator status at the SLAC Linac Coherent Light Source
(LCLS). By utilizing shot-to-shot data from the beam position monitoring
system, we demonstrate the exceptional capability of ResVAE in identifying
various types of anomalies that are visible in the accelerator.
- Abstract(参考訳): 近年,異常検出における深層学習の利用が著しい進歩を遂げている。
しかし、これらの方法は、通常訓練セット(例えば、異常によって汚染されない)や完全なラベル付き訓練セットの存在を主に想定している。
粒子加速器のような多くの複雑な工学システムでは、ラベルはばらばらで高価である。これらのケースで異常検出を行うためには、これらの仮定を捨てて、完全に教師なしの方法を使用する必要がある。
本稿では,異常検出に特化した深部生成モデルである resilient variational autoencoder (resvae) を提案する。
ResVAEはトレーニングデータに存在する異常に対するレジリエンスを示し、特徴レベルの異常属性を提供する。
トレーニングプロセス中、ResVAEは各サンプルの異常確率と個々の特徴を学習し、これらの確率を利用してトレーニングデータ中の異常な例を効果的に無視する。
本稿では, SLAC Linac Coherent Light Source (LCLS) における加速器状態の異常を検出するために提案手法を適用した。
ビーム位置監視システムからのショット・ツー・ショットデータを利用することで,加速器で見える各種異常を識別する上で,特に有用性を示す。
関連論文リスト
- Anomaly Detection via Autoencoder Composite Features and NCE [1.2891210250935148]
オートエンコーダ(AE)または生成モデルは、通常入力のデータ分布をモデル化するためにしばしば使用される。
ノイズコントラスト推定(NCE)を訓練したAEと確率モデルの両方が異常検出を行うための非結合型トレーニング手法を提案する。
論文 参考訳(メタデータ) (2025-02-04T01:29:22Z) - AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
製造業において異常検査が重要な役割を担っている。
既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。
本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
論文 参考訳(メタデータ) (2023-12-10T05:13:40Z) - Video Anomaly Detection via Spatio-Temporal Pseudo-Anomaly Generation : A Unified Approach [49.995833831087175]
本研究は,画像のマスキング領域にペンキを塗布することにより,汎用的な映像時間PAを生成する手法を提案する。
さらに,OCC設定下での現実世界の異常を検出するための単純な統合フレームワークを提案する。
提案手法は,OCC設定下での既存のPAs生成および再構築手法と同等に動作する。
論文 参考訳(メタデータ) (2023-11-27T13:14:06Z) - SaliencyCut: Augmenting Plausible Anomalies for Anomaly Detection [24.43321988051129]
そこで本稿では,SaliencyCutという新たなデータ拡張手法を提案する。
次に、各サンプルから微細な異常特徴を抽出し評価するために、異常学習ヘッドにパッチワイド残余モジュールを新規に設計する。
論文 参考訳(メタデータ) (2023-06-14T08:55:36Z) - Synthetic Pseudo Anomalies for Unsupervised Video Anomaly Detection: A
Simple yet Efficient Framework based on Masked Autoencoder [1.9511777443446219]
本稿では,ビデオ異常検出のための簡易かつ効率的なフレームワークを提案する。
擬似異常サンプルは、余分なデータ処理をせずにランダムマスクトークンを埋め込み、正規データのみから合成する。
また、正規性とそれに対応する擬似異常データから正規知識をよりよく学習するよう、AEsに促す正規性整合性訓練戦略を提案する。
論文 参考訳(メタデータ) (2023-03-09T08:33:38Z) - Augment to Detect Anomalies with Continuous Labelling [10.646747658653785]
異常検出は、トレーニング観察と何らかの点で異なるサンプルを認識することである。
最近の最先端のディープラーニングに基づく異常検出手法は、計算コスト、複雑さ、不安定な訓練手順、非自明な実装に悩まされている。
我々は、軽量な畳み込みニューラルネットワークを訓練し、異常検出における最先端の性能に到達するための単純な学習手順を活用する。
論文 参考訳(メタデータ) (2022-07-03T20:11:51Z) - 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) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - 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) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z)
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。