論文の概要: An improved CTGAN for data processing method of imbalanced disk failure
- arxiv url: http://arxiv.org/abs/2310.06481v1
- Date: Tue, 10 Oct 2023 09:49:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-11 16:05:53.484309
- Title: An improved CTGAN for data processing method of imbalanced disk failure
- Title（参考訳）: 不均衡ディスク故障データ処理のためのCTGANの改良
- Authors: Jingbo Jia, Peng Wu and Hussain Dawood
- Abstract要約: Residual Conditional Tabular Generative Adversarial Networks (RCTGAN)
RCTGANは、フェイクフォールトデータを合成するために、少量の実際の故障データを使用する。
4つの分類器(多層パーセプトロン、サポートベクターマシン、決定木、ランダムフォレスト)モデルを平衡データセットを用いて訓練する。
- 参考スコア（独自算出の注目度）: 6.757777833155211
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To address the problem of insufficient failure data generated by disks and
the imbalance between the number of normal and failure data. The existing
Conditional Tabular Generative Adversarial Networks (CTGAN) deep learning
methods have been proven to be effective in solving imbalance disk failure
data. But CTGAN cannot learn the internal information of disk failure data very
well. In this paper, a fault diagnosis method based on improved CTGAN, a
classifier for specific category discrimination is added and a discriminator
generate adversarial network based on residual network is proposed. We named it
Residual Conditional Tabular Generative Adversarial Networks (RCTGAN). Firstly,
to enhance the stability of system a residual network is utilized. RCTGAN uses
a small amount of real failure data to synthesize fake fault data; Then, the
synthesized data is mixed with the real data to balance the amount of normal
and failure data; Finally, four classifier (multilayer perceptron, support
vector machine, decision tree, random forest) models are trained using the
balanced data set, and the performance of the models is evaluated using G-mean.
The experimental results show that the data synthesized by the RCTGAN can
further improve the fault diagnosis accuracy of the classifier.
- Abstract（参考訳）: ディスクが生成した故障データ不足と、正常データと故障データの数の不均衡に対処する。
既存のCTGAN(Conditional Tabular Generative Adversarial Networks)深層学習法は,不均衡ディスク故障データの解決に有効であることが証明されている。
しかしCTGANはディスク障害データの内部情報を十分に学習できない。
本稿では,CTGANの改良に基づく故障診断手法,特定カテゴリー識別のための分類器,残差ネットワークに基づく対向ネットワークを生成する識別器を提案する。
我々はResidual Conditional Tabular Generative Adversarial Networks (RCTGAN)と名付けた。
まず、システムの安定性を高めるために、残差ネットワークを利用する。
RCTGANは、少量の実故障データを用いて偽断層データを合成し、次いで、合成データを実データと混合して正規データと故障データのバランスをとる。最後に、4つの分類器(多層パーセプトロン、サポートベクターマシン、決定木、ランダムフォレスト)モデルを平衡データセットを用いて訓練し、G平均を用いてモデルの性能を評価する。
実験の結果,rctganが合成したデータは,分類器の故障診断精度をさらに向上できることがわかった。
関連論文リスト
- Wafer Map Defect Classification Using Autoencoder-Based Data Augmentation and Convolutional Neural Network [4.8748194765816955]
本研究では、自己エンコーダに基づくデータ拡張技術と畳み込みニューラルネットワーク(CNN)を組み合わせた新しい手法を提案する。
提案手法は,ランダムフォレスト,SVM,ロジスティック回帰をそれぞれ19%,21%,27%以上,98.56%の分類精度を達成している。
論文 参考訳（メタデータ） (2024-11-17T10:19:54Z) - SEMRes-DDPM: Residual Network Based Diffusion Modelling Applied to
Imbalanced Data [9.969882349165745]
データマイニングと機械学習の分野では、一般的に使われている分類モデルは、不均衡なデータで効果的に学習することはできない。
古典的なオーバーサンプリング手法の多くは、データのローカル情報のみに焦点を当てたSMOTE技術に基づいている。
本稿では,SEMRes-DDPMのオーバーサンプリング手法を提案する。
論文 参考訳（メタデータ） (2024-03-09T14:01:04Z) - Boosting Differentiable Causal Discovery via Adaptive Sample Reweighting [62.23057729112182]
異なるスコアに基づく因果探索法は観測データから有向非巡回グラフを学習する。
本稿では,Reweighted Score関数ReScoreの適応重みを動的に学習することにより因果発見性能を向上させるためのモデルに依存しないフレームワークを提案する。
論文 参考訳（メタデータ） (2023-03-06T14:49:59Z) - Augmentation-Aware Self-Supervision for Data-Efficient GAN Training [68.81471633374393]
識別器が過度に適合する傾向があるため、限られたデータでGANを訓練することは困難である。
本稿では,拡張データの拡張パラメータを予測する,拡張型自己教師型識別器を提案する。
本稿では,クラス条件の BigGAN と非条件の StyleGAN2 アーキテクチャを用いた State-of-the-art (SOTA) 手法と比較する。
論文 参考訳（メタデータ） (2022-05-31T10:35:55Z) - Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。
本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。
本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文 参考訳（メタデータ） (2022-01-11T23:01:12Z) - DECAF: Generating Fair Synthetic Data Using Causally-Aware Generative
Networks [71.6879432974126]
本稿では,GANに基づく表型データのための公正な合成データ生成装置であるDECAFを紹介する。
DeCAFは望ましくないバイアスを除去し,高品質な合成データを生成可能であることを示す。
下流モデルの収束と公平性に関する理論的保証を提供する。
論文 参考訳（メタデータ） (2021-10-25T12:39:56Z) - An Introduction to Robust Graph Convolutional Networks [71.68610791161355]
本論文では, 誤りのある単一ビューあるいは複数ビューのデータに対して, 新たなロバストグラフ畳み込みニューラルネットワークを提案する。
従来のグラフ畳み込みネットワークにAutoencodersを介して余分なレイヤを組み込むことで、典型的なエラーモデルを明示的に特徴付けおよび処理します。
論文 参考訳（メタデータ） (2021-03-27T04:47:59Z) - Oversampling Adversarial Network for Class-Imbalanced Fault Diagnosis [12.526197448825968]
クラス不均衡問題は、データをタイムリーに予測し分類できる堅牢な学習システムを必要とする。
本稿では,同時分類と故障検出のための新しい対向ネットワークを提案する。
論文 参考訳（メタデータ） (2020-08-07T10:12:07Z) - FaultFace: Deep Convolutional Generative Adversarial Network (DCGAN)
based Ball-Bearing Failure Detection Method [4.543665832042712]
本稿では,回転軸用ボールベアリング接合部の故障検出のためのFaultFace法を提案する。
Deep Convolutional Generative Adversarial Networkは、バランスの取れたデータセットを得るために、名目と失敗の振る舞いの新しいフェイスポートを作成するために使用される。
論文 参考訳（メタデータ） (2020-07-30T06:37:53Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Regularized Cycle Consistent Generative Adversarial Network for Anomaly
Detection [5.457279006229213]
本稿では, ニューラルネットワークを逆向きに訓練し, 異常なサンプルをよりよく認識するRCGAN(Regularized Cycle Consistent Generative Adversarial Network)を提案する。
実世界のデータと合成データの両方に対する実験結果から,我々のモデルが過去の異常検出ベンチマークにおいて有意かつ一貫した改善をもたらすことが示された。
論文 参考訳（メタデータ） (2020-01-18T03:35:05Z)
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。