論文の概要: Investigating the Suitability of Concept Drift Detection for Detecting Leakages in Water Distribution Networks

• arxiv url: http://arxiv.org/abs/2401.01733v1
• Date: Wed, 3 Jan 2024 13:12:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-04 13:57:22.845632
• Title: Investigating the Suitability of Concept Drift Detection for Detecting Leakages in Water Distribution Networks
• Title（参考訳）: 配水網の漏れ検知におけるコンセプトドリフト検出の適合性の検討
• Authors: Valerie Vaquet, Fabian Hinder, Barbara Hammer
• Abstract要約: 漏れは、水の損失と汚染リスクの増加を引き起こすため、水分配ネットワークにおいて大きなリスクである。 水分配網の複雑な力学のために漏れ検知は難しい課題である。 機械学習の観点からは、リークはコンセプトドリフトとしてモデル化できる。
• 参考スコア（独自算出の注目度）: 7.0072935721154614
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Leakages are a major risk in water distribution networks as they cause water loss and increase contamination risks. Leakage detection is a difficult task due to the complex dynamics of water distribution networks. In particular, small leakages are hard to detect. From a machine-learning perspective, leakages can be modeled as concept drift. Thus, a wide variety of drift detection schemes seems to be a suitable choice for detecting leakages. In this work, we explore the potential of model-loss-based and distribution-based drift detection methods to tackle leakage detection. We additionally discuss the issue of temporal dependencies in the data and propose a way to cope with it when applying distribution-based detection. We evaluate different methods systematically for leakages of different sizes and detection times. Additionally, we propose a first drift-detection-based technique for localizing leakages.
• Abstract（参考訳）: 漏れは、水の損失と汚染リスクの増加を引き起こすため、水分配ネットワークにおいて大きなリスクである。 水分配網の複雑な力学のために漏れ検知は難しい課題である。 特に、小さな漏れを検出するのは難しい。 機械学習の観点からは、リークはコンセプトドリフトとしてモデル化できる。 このように、様々なドリフト検出方式が漏れを検出するのに適していると考えられる。 本研究では,モデル損失と分布に基づくドリフト検出手法による漏洩検出の可能性について検討する。 さらに,データの時間依存の問題についても議論し,分散検出を適用する際の対処法を提案する。 サイズや検出時間の異なるリークに対して,異なる手法を体系的に評価する。 さらに,ドリフト検出に基づく漏洩の局所化手法を提案する。

関連論文リスト

• Out-of-Distribution Detection with a Single Unconditional Diffusion Model [54.15132801131365]
  アウト・オブ・ディストリビューション(OOD)検出は、異常サンプルを特定しようとする機械学習において重要なタスクである。 従来、教師なし手法はOOD検出に深い生成モデルを用いていた。 本稿では,単一モデルが多様なタスクに対してOOD検出を行うことができるかどうかを考察する。
  論文  参考訳（メタデータ） (2024-05-20T08:54:03Z)
• Lazy Layers to Make Fine-Tuned Diffusion Models More Traceable [70.77600345240867]
  新たな任意の任意配置(AIAO)戦略は、微調整による除去に耐性を持たせる。 拡散モデルの入力/出力空間のバックドアを設計する既存の手法とは異なり,本手法では,サンプルサブパスの特徴空間にバックドアを埋め込む方法を提案する。 MS-COCO,AFHQ,LSUN,CUB-200,DreamBoothの各データセットに関する実証研究により,AIAOの堅牢性が確認された。
  論文  参考訳（メタデータ） (2024-05-01T12:03:39Z)
• Projection Regret: Reducing Background Bias for Novelty Detection via Diffusion Models [72.07462371883501]
  本研究では,非意味情報のバイアスを緩和する効率的な新規性検出手法であるemphProjection Regret(PR)を提案する。 PRは、テスト画像とその拡散ベースの投影の間の知覚距離を計算し、異常を検出する。 拡張実験により、PRは生成モデルに基づく新規性検出手法の先行技術よりも有意なマージンで優れていることが示された。
  論文  参考訳（メタデータ） (2023-12-05T09:44:47Z)
• Localizing Anomalies in Critical Infrastructure using Model-Based Drift Explanations [5.319765271848658]
  ベイジアンネットワークを用いたネットワークをモデル化し,異常が重要なインフラシステムの力学に与える影響を解析する。 特に、モデルに基づく概念ドリフトの説明は異常の局所化に有望なツールであると主張する。 本手法がより一般的に重要なインフラに適用可能であることを示すために,本手法が電力系統におけるセンサ故障の局所化に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-24T13:33:19Z)
• Adversarial Attacks on Leakage Detectors in Water Distribution Networks [6.125017875330933]
  配水ネットワークにおける機械学習に基づく漏洩検知器に対する敵攻撃の分類法を提案する。 最も敏感な点問題の数学的形式化に基づいて、解を見つけるために3つの異なるアルゴリズムアプローチを用いる。
  論文  参考訳（メタデータ） (2023-05-25T12:05:18Z)
• Detecting Concept Drift in the Presence of Sparsity -- A Case Study of Automated Change Risk Assessment System [0.8021979227281782]
  文学におけるテクスティットパリシティ(textitsparsity)と呼ばれる欠落値は、多くの実世界のデータセットの共通の特徴である。 本研究では,異なる種類の疎性に対する様々な統計およびMLに基づくデータ計算手法の欠落した値のパターンについて検討する。 次に、異なるメトリクスに基づいて、欠落した値を持つデータセットを与えられた最良のコンセプトドリフト検出器を選択する。
  論文  参考訳（メタデータ） (2022-07-27T04:27:49Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Acoustic Leak Detection in Water Networks [6.35903710791033]
  水網における音響リーク検出の一般的な手順を紹介します。 都市近郊の水供給網に装着した7つの接触型マイクロホンの記録に基づき,いくつかの浅層および深部異常検出モデルを訓練した。
  論文  参考訳（メタデータ） (2020-12-11T12:24:15Z)
• Why Normalizing Flows Fail to Detect Out-of-Distribution Data [51.552870594221865]
  正規化フローは、イン・オブ・ディストリビューションデータとアウト・オブ・ディストリビューションデータの区別に失敗する。 フローは局所的な画素相関と画像からラテンス空間への変換を学習する。 フロー結合層のアーキテクチャを変更することで、ターゲットデータのセマンティック構造を学ぶためのフローに偏りがあることが示される。
  論文  参考訳（メタデータ） (2020-06-15T17:00:01Z)
• Network Anomaly Detection based on Tensor Decomposition [10.285394886473217]
  多くの異常検出方法は、ネットワークコアルータで収集されたパケット検査に基づいている。 本稿では,パケットヘッダ検査が不要な代替手法を提案する。
  論文  参考訳（メタデータ） (2020-04-20T21:45:05Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。