論文の概要: Disk failure prediction based on multi-layer domain adaptive learning

• arxiv url: http://arxiv.org/abs/2310.06534v1
• Date: Tue, 10 Oct 2023 11:28:40 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-11 15:45:01.406662
• Title: Disk failure prediction based on multi-layer domain adaptive learning
• Title（参考訳）: 多層ドメイン適応学習に基づくディスク故障予測
• Authors: Guangfu Gao, Peng Wu and Hussain Dawood
• Abstract要約: 本稿では,多層ドメイン適応学習技術を活用したディスク故障予測手法を提案する。 提案手法は信頼性の高い予測モデルを生成し, 故障サンプルが少ないディスクデータ上での故障を予測できる能力を向上させることが実証された。
• 参考スコア（独自算出の注目度）: 6.757777833155211
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Large scale data storage is susceptible to failure. As disks are damaged and replaced, traditional machine learning models, which rely on historical data to make predictions, struggle to accurately predict disk failures. This paper presents a novel method for predicting disk failures by leveraging multi-layer domain adaptive learning techniques. First, disk data with numerous faults is selected as the source domain, and disk data with fewer faults is selected as the target domain. A training of the feature extraction network is performed with the selected origin and destination domains. The contrast between the two domains facilitates the transfer of diagnostic knowledge from the domain of source and target. According to the experimental findings, it has been demonstrated that the proposed technique can generate a reliable prediction model and improve the ability to predict failures on disk data with few failure samples.
• Abstract（参考訳）: 大規模なデータストレージは、障害の影響を受けやすい。 ディスクが損傷し、置き換えられるため、従来の機械学習モデルは、履歴データを頼りに予測するが、ディスク障害を正確に予測するのは難しい。 本稿では,多層ドメイン適応学習技術を活用したディスク故障予測手法を提案する。 まず、多数の障害を有するディスクデータをソースドメインとして選択し、障害が少ないディスクデータをターゲットドメインとして選択する。 特徴抽出ネットワークのトレーニングは、選択された原点と宛先領域で行う。 2つのドメイン間のコントラストは、ソースとターゲットのドメインから診断知識の転送を促進する。 実験結果によると,提案手法は信頼性の高い予測モデルを生成し,障害サンプルの少ないディスクデータ上での障害予測能力を向上させることが示されている。

関連論文リスト

• Source-Free Test-Time Adaptation For Online Surface-Defect Detection [29.69030283193086]
  テスト時間適応型表面欠陥検出手法を提案する。 推論中にトレーニング済みのモデルを新しいドメインやクラスに適応させる。 実験では、最先端の技術よりも優れています。
  論文  参考訳（メタデータ） (2024-08-18T14:24:05Z)
• Calibrated Adaptive Teacher for Domain Adaptive Intelligent Fault Diagnosis [7.88657961743755]
  教師なしのドメイン適応(UDA)は、ラベル付きデータがソースドメインで利用可能であり、ラベルなしデータがターゲットドメインでのみ利用可能であるシナリオを扱う。 本稿では,自己学習過程を通じて教師ネットワークの予測を校正する,Calibrated Adaptive Teacher (CAT) と呼ばれる新しいUDA手法を提案する。
  論文  参考訳（メタデータ） (2023-12-05T15:19:29Z)
• Bridging Precision and Confidence: A Train-Time Loss for Calibrating Object Detection [58.789823426981044]
  本稿では,境界ボックスのクラス信頼度を予測精度に合わせることを目的とした,新たな補助損失定式化を提案する。 その結果,列車の走行時間損失はキャリブレーション基準を超過し,キャリブレーション誤差を低減させることがわかった。
  論文  参考訳（メタデータ） (2023-03-25T08:56:21Z)
• TransferD2: Automated Defect Detection Approach in Smart Manufacturing using Transfer Learning Techniques [1.8899300124593645]
  本稿では,ソースオブジェクトのデータセット上の欠陥を正確に識別するトランスファー学習手法であるTransferD2を提案する。 提案手法は,モデルのトレーニングに不十分なデータが得られない欠陥検出アプリケーションに適用可能であり,新たな未知データ中の不完全性を特定するために拡張可能である。
  論文  参考訳（メタデータ） (2023-02-26T13:24:46Z)
• Diversify and Disambiguate: Learning From Underspecified Data [76.67228314592904]
  DivDisは、テストディストリビューションからラベルのないデータを活用することで、タスクに対するさまざまな仮説のコレクションを学ぶフレームワークである。 我々はDivDisが画像分類や自然言語処理問題において頑健な特徴を用いた仮説を見つける能力を示す。
  論文  参考訳（メタデータ） (2022-02-07T18:59:06Z)
• 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)
• SFFDD: Deep Neural Network with Enriched Features for Failure Prediction with Its Application to Computer Disk Driver [0.0]
  多変量時系列センサデータを可視化と計算の両方のための画像として扱う。 特徴の導出に加えて、アンサンブル法はパフォーマンスをさらに向上するために用いられる。 提案手法は,ストレージシステムの可用性向上とデータ損失回避のために,コンピュータディスクドライブの早期故障予測に応用する。
  論文  参考訳（メタデータ） (2021-09-20T21:43:43Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Robust and Transferable Anomaly Detection in Log Data using Pre-Trained Language Models [59.04636530383049]
  クラウドのような大規模コンピュータシステムにおける異常や障害は、多くのユーザに影響を与える。 システム情報の主要なトラブルシューティングソースとして,ログデータの異常検出のためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-23T09:17:05Z)
• $n$-Reference Transfer Learning for Saliency Prediction [73.17061116358036]
  本稿では,サリエンシ予測のための数発のトランスファー学習パラダイムを提案する。 提案するフレームワークは勾配ベースでモデルに依存しない。 その結果,提案フレームワークは大幅な性能向上を実現していることがわかった。
  論文  参考訳（メタデータ） (2020-07-09T23:20:44Z)
• DSDANet: Deep Siamese Domain Adaptation Convolutional Neural Network for Cross-domain Change Detection [44.05317423742678]
  クロスドメイン変化検出のための新しいディープ・サイムズ・ドメイン適応畳み込みニューラルネットワークアーキテクチャを提案する。 我々の知る限りでは、このようなドメイン適応に基づくディープネットワークが変更検出のために提案されたのは初めてである。
  論文  参考訳（メタデータ） (2020-06-16T15:00:54Z)

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。