Fugu-MT 論文翻訳(概要): Anomaly Detection in Power Generation Plants with Generative Adversarial Networks

論文の概要: Anomaly Detection in Power Generation Plants with Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2310.00335v1
Date: Sat, 30 Sep 2023 10:44:05 GMT
ステータス: 処理完了
システム内更新日: 2023-10-05 04:58:39.035053
Title: Anomaly Detection in Power Generation Plants with Generative Adversarial Networks
Title（参考訳）: 生成型逆ネットワークを用いた発電プラントの異常検出
Authors: Marcellin Atemkeng and Toheeb Aduramomi Jimoh
Abstract要約: 本研究では, 発電プラントの異常検出にGAN(Generative Adversarial Networks)を用いることを検討した。データは、当初、同社の基地局にある発電装置の燃料消費パターンの異常が観測されたことに応答して収集された。 GANsモデルは、データセットのサイズを拡大してパフォーマンスを向上させることを目的として、データ拡張と不要の両方でトレーニングされ、微調整された。
参考スコア（独自算出の注目度）: 0.5439020425819
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Anomaly detection is a critical task that involves the identification of data points that deviate from a predefined pattern, useful for fraud detection and related activities. Various techniques are employed for anomaly detection, but recent research indicates that deep learning methods, with their ability to discern intricate data patterns, are well-suited for this task. This study explores the use of Generative Adversarial Networks (GANs) for anomaly detection in power generation plants. The dataset used in this investigation comprises fuel consumption records obtained from power generation plants operated by a telecommunications company. The data was initially collected in response to observed irregularities in the fuel consumption patterns of the generating sets situated at the company's base stations. The dataset was divided into anomalous and normal data points based on specific variables, with 64.88% classified as normal and 35.12% as anomalous. An analysis of feature importance, employing the random forest classifier, revealed that Running Time Per Day exhibited the highest relative importance. A GANs model was trained and fine-tuned both with and without data augmentation, with the goal of increasing the dataset size to enhance performance. The generator model consisted of five dense layers using the tanh activation function, while the discriminator comprised six dense layers, each integrated with a dropout layer to prevent overfitting. Following data augmentation, the model achieved an accuracy rate of 98.99%, compared to 66.45% before augmentation. This demonstrates that the model nearly perfectly classified data points into normal and anomalous categories, with the augmented data significantly enhancing the GANs' performance in anomaly detection. Consequently, this study recommends the use of GANs, particularly when using large datasets, for effective anomaly detection.
Abstract（参考訳）: 異常検出は、事前に定義されたパターンから逸脱するデータポイントの識別を含む重要なタスクであり、不正検出や関連する活動に役立ちます。異常検出には様々な手法が用いられているが、近年の研究により、複雑なデータパターンを識別する深層学習手法が好適であることが示されている。本研究では, 発電プラントの異常検出にGAN(Generative Adversarial Networks)を用いることを検討した。本研究で使用するデータセットは、電気通信会社が運用する発電プラントから取得した燃料消費記録を含む。このデータは当初、同社の基地局にある発電装置の燃料消費パターンの異常が観測されたことに反応して収集された。データセットは、特定の変数に基づいて異常と通常のデータポイントに分割され、64.88%が正常、35.12%が異常に分類された。ランダム森林分類器を用いた特徴量分析の結果,ランニングタイム・パー・デイが最も重要であったことが明らかとなった。 GANsモデルは、データセットのサイズを拡大してパフォーマンスを向上させることを目的として、データ拡張と不要の両方でトレーニングされ、微調整された。生成器モデルは,tanh活性化関数を用いた5層密集層で構成され,判別器は6層密集層で構成された。データ拡張後、モデルは98.99%の精度を達成し、拡張前の66.45%と比較した。このことは, モデルがほぼ完全に分類されたデータから, 異常検出におけるGANの性能を著しく向上させ, 正常, 異常なカテゴリを指していることを示している。そこで本研究では,特に大規模データセットを効果的に検出するためのGANの使用を推奨する。

関連論文リスト

ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
DeepHYDRA: Resource-Efficient Time-Series Anomaly Detection in Dynamically-Configured Systems [3.44012349879073]
我々はDeepHYDRA(Deep Hybrid DBSCAN/reduction-based Anomaly Detection)を提案する。 DBSCANと学習ベースの異常検出を組み合わせる。大規模なデータセットと複雑なデータセットの両方において、異なるタイプの異常を確実に検出できることが示されている。
論文参考訳（メタデータ） (2024-05-13T13:47:15Z)
Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文参考訳（メタデータ） (2024-01-06T07:30:41Z)
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)
Normality Learning-based Graph Anomaly Detection via Multi-Scale Contrastive Learning [61.57383634677747]
グラフ異常検出(GAD)は、機械学習やデータマイニングにおいて注目を集めている。本稿では,マルチスケールコントラスト学習ネットワーク(NLGAD,略語)による正規性学習に基づくGADフレームワークを提案する。特に,提案アルゴリズムは,最先端手法と比較して検出性能(最大5.89%のAUCゲイン)を向上させる。
論文参考訳（メタデータ） (2023-09-12T08:06:04Z)
Detecting Anomalies using Generative Adversarial Networks on Images [0.0]
本稿では,新しいGANに基づく異常検出モデルを提案する。通常の(非非正則な)画像を使用して、入力画像が異常/脅威オブジェクトを含むかどうかを検知する正常性について学習する。 CIFAR-10、MVTec AD(産業応用用)、SIXray(X線バッグセキュリティ用)の3つのデータセットで実験が行われた。
論文参考訳（メタデータ） (2022-11-24T21:52:25Z)
DEGAN: Time Series Anomaly Detection using Generative Adversarial Network Discriminators and Density Estimation [0.0]
我々は,GANに基づく異常検出フレームワークDEGANを提案する。これは、適切に構成された識別器(D)をスタンドアロンの異常予測器に訓練するための入力として、通常の時系列データにのみ依存する。
論文参考訳（メタデータ） (2022-10-05T04:32:12Z)
Convolutional generative adversarial imputation networks for spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文参考訳（メタデータ） (2021-11-03T03:50:48Z)
Enhancing Robustness of On-line Learning Models on Highly Noisy Data [7.812139470551903]
新たに設計されたアンサンブル予測を備えたRobust Anomaly Detector(RAD)の2層オンラインデータ選択フレームワークを拡張します。 RADは、異常検出の精度を確実に改善し、IoTデバイス攻撃の98.95%、クラウドタスク障害の85.03%、顔認識の77.51%まで到達することができる。
論文参考訳（メタデータ） (2021-03-19T14:13:16Z)
Am I Rare? An Intelligent Summarization Approach for Identifying Hidden Anomalies [0.0]
本稿では,INSIDENTと呼ばれる隠れ異常を識別するインテリジェント・サマリゼーション手法を提案する。提案手法は,各クラスタの特徴を局所重み付けすることにより,特徴空間を特徴空間に動的にマッピングするクラスタリングに基づくアルゴリズムである。また、クラスタサイズに基づく代表者の選択は、集計データ内の元のデータと同じ分布を保持する。
論文参考訳（メタデータ） (2020-12-24T23:22:57Z)
TadGAN: Time Series Anomaly Detection Using Generative Adversarial Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文参考訳（メタデータ） (2020-09-16T15:52:04Z)

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。