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

• arxiv url: http://arxiv.org/abs/2309.10157v1
• Date: Mon, 18 Sep 2023 21:11:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-20 17:27:24.538670
• Title: Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter
• Title（参考訳）: CMS電磁計のオンラインデータ品質モニタリングのためのオートエンコーダによる異常検出システム
• Authors: The CMS ECAL Collaboration
• Abstract要約: 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。
• 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 CMS detector is a general-purpose apparatus that detects high-energy collisions produced at the LHC. Online Data Quality Monitoring of the CMS electromagnetic calorimeter is a vital operational tool that allows detector experts to quickly identify, localize, and diagnose a broad range of detector issues that could affect the quality of physics data. A real-time autoencoder-based anomaly detection system using semi-supervised machine learning is presented enabling the detection of anomalies in the CMS electromagnetic calorimeter data. A novel method is introduced which maximizes the anomaly detection performance by exploiting the time-dependent evolution of anomalies as well as spatial variations in the detector response. The autoencoder-based system is able to efficiently detect anomalies, while maintaining a very low false discovery rate. The performance of the system is validated with anomalies found in 2018 and 2022 LHC collision data. Additionally, the first results from deploying the autoencoder-based system in the CMS online Data Quality Monitoring workflow during the beginning of Run 3 of the LHC are presented, showing its ability to detect issues missed by the existing system.
• Abstract（参考訳）: CMS検出器はLHCで発生する高エネルギー衝突を検出する汎用装置である。 CMS電磁カロリー計のオンラインデータ品質モニタリングは、検出器の専門家が物理学データの品質に影響を与える可能性のある幅広い検出器の問題を素早く特定し、局所化し、診断するための重要な操作ツールである。 cms電磁熱量計データにおける異常検出を可能にする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基づく異常検出システムを提案する。 異常の時間依存性の進化と検出応答の空間的変動を利用して、異常検出性能を最大化する新しい手法を提案する。 オートエンコーダベースのシステムは、非常に低い偽発見率を維持しながら、効率よく異常を検出することができる。 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。 さらに、lhcの実行開始時にcmsオンラインデータ品質監視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結果、既存のシステムが見逃した問題を検出できることを示した。

関連論文リスト

• Explainable Online Unsupervised Anomaly Detection for Cyber-Physical Systems via Causal Discovery from Time Series [1.223779595809275]
  ニューラルネットワークによるディープラーニングに基づく最先端のアプローチは、異常認識において優れたパフォーマンスを達成する。 本手法はトレーニング効率が向上し,最先端のニューラルネットワークアーキテクチャの精度に優れることを示す。
  論文  参考訳（メタデータ） (2024-04-15T15:42:12Z)
• 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 Online Data Quality Monitoring for the CMS Electromagnetic Calorimeter [0.0]
  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。
  論文  参考訳（メタデータ） (2023-08-31T11:58:13Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• 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)
• A Temporal Anomaly Detection System for Vehicles utilizing Functional Working Groups and Sensor Channels [0.0]
  Vehicle Performance, Reliability, Operationsデータセットを導入し, 異常検出のためのマルチフェーズアプローチを作成する。 我々の異常検出システムは96%の精度で検出でき、真の異常の91%を正確に予測できる。
  論文  参考訳（メタデータ） (2022-09-14T14:33:07Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• 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)
• 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)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• 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。