論文の概要: Semi-Supervised Health Index Monitoring with Feature Generation and
Fusion
- arxiv url: http://arxiv.org/abs/2312.02867v2
- Date: Fri, 16 Feb 2024 15:52:27 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-19 19:43:17.931378
- Title: Semi-Supervised Health Index Monitoring with Feature Generation and
Fusion
- Title(参考訳): 特徴生成と融合による半監督型健康指標モニタリング
- Authors: Ga\"etan Frusque, Ismail Nejjar, Majid Nabavi, Olga Fink
- Abstract要約: 我々はHealth Index (HI) 構築のためのDeep Semi-supervised Anomaly Detection (DeepSAD) 法を適用した。
我々は、等方性制約を持つ交互投影アルゴリズムを用いて、DeepSADの埋め込みを正規化HIに変換し、傾向を増大させる。
我々の貢献により、よりアクセシブルで信頼性の高いHI推定が可能となる。
- 参考スコア(独自算出の注目度): 5.939858158928473
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The Health Index (HI) is crucial for evaluating system health, aiding tasks
like anomaly detection and predicting remaining useful life for systems
demanding high safety and reliability. Tight monitoring is crucial for
achieving high precision at a lower cost. Obtaining HI labels in real-world
applications is often cost-prohibitive, requiring continuous, precise health
measurements. Therefore, it is more convenient to leverage run-to failure
datasets that may provide potential indications of machine wear condition,
making it necessary to apply semi-supervised tools for HI construction. In this
study, we adapt the Deep Semi-supervised Anomaly Detection (DeepSAD) method for
HI construction. We use the DeepSAD embedding as a condition indicators to
address interpretability challenges and sensitivity to system-specific factors.
Then, we introduce a diversity loss to enrich condition indicators. We employ
an alternating projection algorithm with isotonic constraints to transform the
DeepSAD embedding into a normalized HI with an increasing trend. Validation on
the PHME 2010 milling dataset, a recognized benchmark with ground truth HIs
demonstrates meaningful HIs estimations. Our contributions create opportunities
for more accessible and reliable HI estimation, particularly in cases where
obtaining ground truth HI labels is unfeasible.
- Abstract(参考訳): 健康指数(HI)は、システムの健全性を評価し、異常検出などのタスクを支援し、高い安全性と信頼性を要求するシステムにとって有用な寿命を予測するために重要である。
高度監視は低コストで高精度を達成するために重要である。
HIラベルを現実世界のアプリケーションに保持することは、しばしばコストを抑え、継続的な正確な健康測定を必要とする。
したがって、機械摩耗の可能性を示唆する可能性のある実行時障害データセットを活用する方が便利であり、HI構築に半教師付きツールを適用する必要がある。
本研究では,Deep Semi-supervised Anomaly Detection (DeepSAD) 法をHI構築に適用する。
我々は、DeepSAD埋め込みを条件指標として、解釈可能性の問題とシステム固有の要因に対する感度に対処する。
次に,条件指標を豊かにするために多様性損失を導入する。
我々は、等方性制約を持つ交互投影アルゴリズムを用いて、DeepSAD埋め込みを正規化HIに変換する。
PHME 2010ミリングデータセットの検証では、基底真理HIsを用いた評価ベンチマークが有意義なHIs推定を示す。
我々の貢献により、よりアクセシブルで信頼性の高いHI推定が可能となる。
関連論文リスト
- Health Index Estimation Through Integration of General Knowledge with Unsupervised Learning [0.0]
複雑なシステムにおいて、状態監視データ(CM)から正確な健康指標(HI)を推定することは、信頼性と解釈可能な予後および健康管理(PHM)に不可欠である。
本研究では,畳み込みオートエンコーダのモデルアーキテクチャと学習アルゴリズムに,劣化に関する一般的な知識を統合したHI推定のための教師なしハイブリッド手法を提案する。
論文 参考訳(メタデータ) (2024-05-08T11:54:15Z) - Incorporating Gradients to Rules: Towards Lightweight, Adaptive Provenance-based Intrusion Detection [11.14938737864796]
多様な環境に自動的に適応できるルールベースのPIDSであるCAPTAINを提案する。
我々は、微分可能なタグ伝搬フレームワークを構築し、勾配降下アルゴリズムを用いてこれらの適応パラメータを最適化する。
その結果,CAPTAINは検出精度の向上,検出遅延の低減,ランタイムオーバーヘッドの低減,検出アラームや知識の解釈性の向上を実現している。
論文 参考訳(メタデータ) (2024-04-23T03:50:57Z) - Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。
我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。
故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
論文 参考訳(メタデータ) (2024-04-08T22:20:23Z) - Word-Sequence Entropy: Towards Uncertainty Estimation in Free-Form
Medical Question Answering Applications and Beyond [63.969531254692725]
不確実性推定は、安全クリティカルな人間とAIのインタラクションシステムの信頼性を確保する上で重要な役割を果たす。
本稿では,ワードシーケンスエントロピー(WSE, Word-Sequence Entropy)を提案する。
We show that WSE exhibits excellent performance on accurate uncertainty Measurement under two standard criteria for correctness evaluation。
論文 参考訳(メタデータ) (2024-02-22T03:46:08Z) - HypUC: Hyperfine Uncertainty Calibration with Gradient-boosted
Corrections for Reliable Regression on Imbalanced Electrocardiograms [3.482894964998886]
本稿では,医療時系列における不均衡確率回帰の枠組みであるHypUCを提案する。
HypUCは数百万の患者から収集された、多様で現実世界のECGデータセットで評価されている。
論文 参考訳(メタデータ) (2023-11-23T06:17:31Z) - Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである*
Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。
Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
論文 参考訳(メタデータ) (2023-10-28T12:08:03Z) - U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep
Staging [61.6346401960268]
プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。
不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
論文 参考訳(メタデータ) (2023-06-07T08:27:36Z) - Machine vision for vial positioning detection toward the safe automation
of material synthesis [0.4893345190925178]
本稿では,新しい深層学習(DL)型物体検出器DenseSSDについて報告する。
DenseSSDは、空と溶液を充填したバイアルを含む複雑なデータセットに基づいて、平均平均精度(mAP)を95%以上達成した。
本研究は,DenseSSDが自動材料合成環境の安全性向上に有効であることを示す。
論文 参考訳(メタデータ) (2022-06-15T03:19:25Z) - Bayesian autoencoders with uncertainty quantification: Towards
trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。
不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。
本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文 参考訳(メタデータ) (2022-02-25T12:20:04Z) - On the Practicality of Deterministic Epistemic Uncertainty [106.06571981780591]
決定論的不確実性法(DUM)は,分布外データの検出において高い性能を達成する。
DUMが十分に校正されており、現実のアプリケーションにシームレスにスケールできるかどうかは不明だ。
論文 参考訳(メタデータ) (2021-07-01T17:59:07Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳(メタデータ) (2020-03-11T00:22:50Z)
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。