論文の概要: Signal Quality Auditing for Time-series Data
- arxiv url: http://arxiv.org/abs/2402.00803v1
- Date: Thu, 1 Feb 2024 17:40:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-02 14:13:51.481424
- Title: Signal Quality Auditing for Time-series Data
- Title（参考訳）: 時系列データの信号品質監査
- Authors: Chufan Gao, Nicholas Gisolfi, Artur Dubrawski
- Abstract要約: データ取得システムの信頼性を監視するには信号品質評価(SQA)が必要である。
我々は,時系列データ解析のための信号品質指標(SQI)のオープンソースソフトウェア実装を開発した。
- 参考スコア（独自算出の注目度）: 16.404065044314972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Signal quality assessment (SQA) is required for monitoring the reliability of
data acquisition systems, especially in AI-driven Predictive Maintenance (PMx)
application contexts. SQA is vital for addressing "silent failures" of data
acquisition hardware and software, which when unnoticed, misinform the users of
data, creating the risk for incorrect decisions with unintended or even
catastrophic consequences. We have developed an open-source software
implementation of signal quality indices (SQIs) for the analysis of time-series
data. We codify a range of SQIs, demonstrate them using established benchmark
data, and show that they can be effective for signal quality assessment. We
also study alternative approaches to denoising time-series data in an attempt
to improve the quality of the already degraded signal, and evaluate them
empirically on relevant real-world data. To our knowledge, our software toolkit
is the first to provide an open source implementation of a broad range of
signal quality assessment and improvement techniques validated on publicly
available benchmark data for ease of reproducibility. The generality of our
framework can be easily extended to assessing reliability of arbitrary
time-series measurements in complex systems, especially when morphological
patterns of the waveform shapes and signal periodicity are of key interest in
downstream analyses.
- Abstract（参考訳）: 信号品質評価(SQA)は、特にAI駆動の予測保守(PMx)アプリケーションコンテキストにおいて、データ取得システムの信頼性を監視するために必要である。
SQAは、データ取得ハードウェアとソフトウェアの“サイレント障害”に対処するために不可欠である。
我々は,時系列データ解析のための信号品質指標(SQI)のオープンソースソフトウェア実装を開発した。
我々は,SQI の範囲を定式化し,確立したベンチマークデータを用いてそれらを実証し,信号品質評価に有効であることを示す。
また、既に劣化している信号の品質を向上させるために、時系列データをデノベーションするための代替手法を研究し、関連する実世界データに基づいて経験的に評価する。
私たちの知る限り,当社のソフトウェアツールキットは,公開ベンチマークデータ上で検証可能な幅広い信号品質評価と改善技術のオープンソース実装を,再現性のために初めて提供するものです。
複雑系における任意の時系列測定の信頼性,特に波形形状と信号周期性の形態的パターンが下流解析において重要な関心事である場合,このフレームワークの汎用性は容易に評価できる。
関連論文リスト
- Improving Data Curation of Software Vulnerability Patches through Uncertainty Quantification [6.916509590637601]
本稿では、不確実性定量化(UQ)を用いて、公開可能なソフトウェア脆弱性パッチのデータセットをキュレートする手法を提案する。
Model EnsembleとHerescedasticモデルは、脆弱性パッチデータセットのベストチョイスです。
論文 参考訳（メタデータ） (2024-11-18T15:37:28Z) - A Theoretical Framework for AI-driven data quality monitoring in high-volume data environments [1.2753215270475886]
本稿では,高ボリューム環境におけるデータ品質維持の課題に対処するために,AIによるデータ品質監視システムに関する理論的枠組みを提案する。
本稿では,ビッグデータのスケール,速度,多様性の管理における従来の手法の限界について検討し,高度な機械学習技術を活用した概念的アプローチを提案する。
主なコンポーネントは、インテリジェントデータ取り込み層、適応前処理機構、コンテキスト認識機能抽出、AIベースの品質評価モジュールなどである。
論文 参考訳（メタデータ） (2024-10-11T07:06:36Z) - Collect, Measure, Repeat: Reliability Factors for Responsible AI Data
Collection [8.12993269922936]
AIのデータ収集は責任ある方法で行うべきだと我々は主張する。
本稿では,データ収集をメトリクスの集合でガイドするResponsible AI(RAI)手法を提案する。
論文 参考訳（メタデータ） (2023-08-22T18:01:27Z) - QI2 -- an Interactive Tool for Data Quality Assurance [63.379471124899915]
欧州委員会による計画されたAI法では、データ品質に関する法的要件が規定されている。
複数のデータ品質面におけるデータ品質保証プロセスをサポートする新しいアプローチを導入する。
論文 参考訳（メタデータ） (2023-07-07T07:06:38Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - Challenges and Solutions to Build a Data Pipeline to Identify Anomalies
in Enterprise System Performance [3.037408957267527]
MLに基づく異常検出システムにおけるデータ活用の課題について論じる。
これらの課題に対処することで、パフォーマンス異常検出モデルの精度を30%向上するだけでなく、モデルの性能が経時的に劣化しないことを確実にする。
論文 参考訳（メタデータ） (2021-12-13T22:30:07Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳（メタデータ） (2021-12-01T17:11:22Z) - LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak
Supervision [63.08516384181491]
専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。
本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。
我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
論文 参考訳（メタデータ） (2021-11-02T15:16:08Z) - Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。
以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文 参考訳（メタデータ） (2020-12-04T19:21:37Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z) - Conditional GAN for timeseries generation [0.0]
実時間時系列データをモデル化するために,TSGAN(Time Series GAN)を提案する。
ベンチマーク時系列データベースから,70データセット上でTSGANを評価する。
論文 参考訳（メタデータ） (2020-06-30T02:19:18Z)
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。