論文の概要: Spatio-Temporal Anomaly Detection with Graph Networks for Data Quality Monitoring of the Hadron Calorimeter
- arxiv url: http://arxiv.org/abs/2311.04190v3
- Date: Fri, 19 Sep 2025 07:27:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-22 12:06:46.354803
- Title: Spatio-Temporal Anomaly Detection with Graph Networks for Data Quality Monitoring of the Hadron Calorimeter
- Title（参考訳）: ハドロン熱量計のデータ品質モニタリングのためのグラフネットワークを用いた時空間異常検出
- Authors: Mulugeta Weldezgina Asres, Christian Walter Omlin, Long Wang, David Yu, Pavel Parygin, Jay Dittmann, Georgia Karapostoli, Markus Seidel, Rosamaria Venditti, Luka Lambrecht, Emanuele Usai, Muhammad Ahmad, Javier Fernandez Menendez, Kaori Maeshima, the CMS-HCAL Collaboration,
- Abstract要約: GraphSTADシステムは、検出器を横断する粒子によって誘導される局所的な空間特性を学習する。
提案手法の精度を検証し,多様なチャネル障害タイプを抽出する。
GraphSTADシステムは、実運用レベルの精度を実現し、HCALのリアルタイム監視のためにCMSコアプロダクションシステムに統合されている。
- 参考スコア（独自算出の注目度）: 2.561141133019903
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The Compact Muon Solenoid (CMS) experiment is a general-purpose detector for high-energy collision at the Large Hadron Collider (LHC) at CERN. It employs an online data quality monitoring (DQM) system to promptly spot and diagnose particle data acquisition problems to avoid data quality loss. In this study, we present a semi-supervised spatio-temporal anomaly detection (AD) monitoring system for the physics particle reading channels of the Hadron Calorimeter (HCAL) of the CMS using three-dimensional digi-occupancy map data of the DQM. We propose the GraphSTAD system, which employs convolutional and graph neural networks to learn local spatial characteristics induced by particles traversing the detector and the global behavior owing to shared backend circuit connections and housing boxes of the channels, respectively. Recurrent neural networks capture the temporal evolution of the extracted spatial features. We validate the accuracy of the proposed AD system in capturing diverse channel fault types using the LHC collision data sets. The GraphSTAD system achieves production-level accuracy and is being integrated into the CMS core production system for real-time monitoring of the HCAL. We provide a quantitative performance comparison with alternative benchmark models to demonstrate the promising leverage of the presented system. Code: https://github.com/muleina/CMS_HCAL_ML_OnlineDQM .
- Abstract（参考訳）: コンパクト・ムーン・ソレノイド(英: Compact Muon Solenoid、CMS)は、CERNの大型ハドロン衝突型加速器(LHC)における高エネルギー衝突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。
本研究では,DQMの3次元ディジ占有地図データを用いて,CMSのハドロン熱量計(HCAL)の物理粒子読影チャネルの半教師付き時空間異常検出(AD)モニタリングシステムを提案する。
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る局所的空間特性と、チャネルの共用回路接続と収容箱による大域的挙動を学習するグラフスタッドシステムを提案する。
リカレントニューラルネットワークは、抽出された空間的特徴の時間的進化をキャプチャする。
LHC衝突データセットを用いて,多様なチャネル障害タイプを抽出する際のADシステムの精度を検証した。
GraphSTADシステムは、実運用レベルの精度を実現し、HCALのリアルタイム監視のためにCMSコアプロダクションシステムに統合されている。
本稿では,提案方式の有望な活用を実証するために,代替ベンチマークモデルと定量的な性能比較を行う。
コード:https://github.com/muleina/CMS_HCAL_ML_OnlineDQM。
関連論文リスト
- DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - Using deep neural networks to improve the precision of fast-sampled
particle timing detectors [0.0]
粒子タイミング検出器の測定は、通過する粒子によって堆積された電荷の統計的変動によって生じる時間歩行効果に影響されることが多い。
定数分数判別器(CFD)アルゴリズムは、テスト設定と実行実験の両方において、この効果を緩和するために頻繁に使用される。
我々は、DESY-IIシンクロトロンの試験ビーム施設で取得したデータを用いて、様々なニューラルネットワークアーキテクチャを評価した。
我々は,検出器の読み出しチャネルに応じて,タイミング精度を8%から23%改善した。
論文 参考訳（メタデータ） (2023-12-10T13:22:46Z) - Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter [0.0]
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。
論文 参考訳（メタデータ） (2023-09-18T21:11:25Z) - 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) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - Causal Discovery from Sparse Time-Series Data Using Echo State Network [0.0]
時系列データ間の因果関係の発見は、症状の原因の診断に役立つ。
本稿では,2つの部分から構成される新しいシステムを提案する。第1部はガウスプロセス回帰を,第2部はエコー状態ネットワークを活用する。
本稿では,対応するマシューズ相関係数 (MCC) と受信器動作特性曲線 (ROC) について報告する。
論文 参考訳（メタデータ） (2022-01-09T05:55:47Z) - Space-Time Graph Neural Networks [104.55175325870195]
本研究では、時空間グラフニューラルネットワーク(ST-GNN)を導入し、時間変動ネットワークデータの時空間トポロジを共同処理する。
解析の結果,システムのネットワークトポロジと時間進化の変動はST-GNNの性能に大きく影響しないことがわかった。
論文 参考訳（メタデータ） (2021-10-06T16:08:44Z) - Cloud Failure Prediction with Hierarchical Temporary Memory: An
Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。
本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文 参考訳（メタデータ） (2021-10-06T07:09:45Z) - Adaptive Machine Learning for Time-Varying Systems: Low Dimensional
Latent Space Tuning [91.3755431537592]
本稿では,時間変化システムを対象とした適応機械学習手法を提案する。
我々は,エンコーダデコーダCNNのエンコーダ部出力において,非常に高次元(N>100k)の入力を低次元(N2)潜在空間にマッピングする。
そこで本手法では,割り込みを伴わないフィードバックに基づいて,内部の相関関係を学習し,その進化をリアルタイムで追跡する。
論文 参考訳（メタデータ） (2021-07-13T16:05:28Z) - 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。