論文の概要: Supervised Time Series Classification for Anomaly Detection in Subsea
Engineering
- arxiv url: http://arxiv.org/abs/2403.08013v1
- Date: Tue, 12 Mar 2024 18:25:10 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-14 16:55:12.918717
- Title: Supervised Time Series Classification for Anomaly Detection in Subsea
Engineering
- Title(参考訳): 海底における異常検出のための時系列分類の監督
工学
- Authors: Ergys \c{C}okaj, Halvor Snersrud Gustad, Andrea Leone, Per Thomas Moe,
Lasse Moldestad
- Abstract要約: IntactとBrokenの2つの状態を持つ物理システムに基づくシミュレーションデータに対する教師付き機械学習分類アルゴリズムの使用について検討する。
本稿では,時間データの事前処理について,統計的分散と次元縮小の手法を用いて包括的な議論を行う。
本稿では,さまざまなパフォーマンス指標に基づく各種手法の比較を行い,機械学習を意思決定のツールとして活用することの利点を示す。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Time series classification is of significant importance in monitoring
structural systems. In this work, we investigate the use of supervised machine
learning classification algorithms on simulated data based on a physical system
with two states: Intact and Broken. We provide a comprehensive discussion of
the preprocessing of temporal data, using measures of statistical dispersion
and dimension reduction techniques. We present an intuitive baseline method and
discuss its efficiency. We conclude with a comparison of the various methods
based on different performance metrics, showing the advantage of using machine
learning techniques as a tool in decision making.
- Abstract(参考訳): 時系列分類は構造システムのモニタリングにおいて重要である。
本研究では、IntactとBrokenの2つの状態を持つ物理システムに基づくシミュレーションデータに対する教師付き機械学習分類アルゴリズムの使用について検討する。
本稿では,時間データの事前処理について,統計的分散と次元縮小の手法を用いて包括的な議論を行う。
直感的なベースライン法を提案し,その効率性について議論する。
本稿では,さまざまなパフォーマンス指標に基づく各種手法の比較を行い,機械学習を意思決定のツールとして活用することの利点を示す。
関連論文リスト
- Matched Machine Learning: A Generalized Framework for Treatment Effect
Inference With Learned Metrics [87.05961347040237]
我々は、機械学習ブラックボックスの柔軟性とマッチングの解釈可能性を組み合わせたフレームワークであるMatched Machine Learningを紹介する。
我々のフレームワークは機械学習を用いて、一致した単位を学習し、結果を推定する最適な指標を学習する。
一致機械学習のインスタンスはブラックボックスの機械学習手法と同等に動作し、類似した問題に対する既存のマッチング手法よりも優れていることを実証的に示す。
論文 参考訳(メタデータ) (2023-04-03T19:32:30Z) - Latent Properties of Lifelong Learning Systems [59.50307752165016]
本稿では,生涯学習アルゴリズムの潜伏特性を推定するために,アルゴリズムに依存しないサロゲート・モデリング手法を提案する。
合成データを用いた実験により,これらの特性を推定するためのアプローチを検証する。
論文 参考訳(メタデータ) (2022-07-28T20:58:13Z) - Early Time-Series Classification Algorithms: An Empirical Comparison [59.82930053437851]
早期時系列分類(Early Time-Series Classification, ETSC)は、できるだけ少ない測定で時系列のクラスを予測するタスクである。
既存のETSCアルゴリズムを公開データと,新たに導入された2つのデータセットで評価した。
論文 参考訳(メタデータ) (2022-03-03T10:43:56Z) - Self-Attention Neural Bag-of-Features [103.70855797025689]
我々は最近導入された2D-Attentionの上に構築し、注意学習方法論を再構築する。
本稿では,関連情報を強調した2次元目視マスクを学習する機能・時間的アテンション機構を提案する。
論文 参考訳(メタデータ) (2022-01-26T17:54:14Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳(メタデータ) (2021-08-09T17:39:09Z) - Autoencoder-based Representation Learning from Heterogeneous
Multivariate Time Series Data of Mechatronic Systems [0.0]
本稿では,データベースの異質性に着目したオートエンコーダネットワークを用いた教師なし特徴抽出手法を提案する。
異なるアプリケーションドメインからのメカトロニクスシステムの3つの公開データセットを使用して結果を検証する。
論文 参考訳(メタデータ) (2021-04-06T21:04:27Z) - Feature space approximation for kernel-based supervised learning [2.653409741248232]
目標は、トレーニングデータのサイズを減らし、ストレージ消費と計算の複雑さを減らすことだ。
完全トレーニングデータセットを含むデータ駆動予測の計算と比較して,大幅な改善が示された。
本手法は, 画像認識, システム識別, 海洋時系列解析などの異なる応用領域の分類と回帰問題に適用する。
論文 参考訳(メタデータ) (2020-11-25T11:23:58Z) - Neural Networks as Functional Classifiers [0.0]
我々は、分類問題のために、注目すべき深層学習手法を機能データ領域に拡張する。
本手法の有効性を,分光データの分類などの多くの分類応用において強調する。
論文 参考訳(メタデータ) (2020-10-09T00:11:01Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - A Performance-Explainability Framework to Benchmark Machine Learning
Methods: Application to Multivariate Time Series Classifiers [1.0015478733418846]
本稿では,機械学習手法の評価とベンチマークを行うための,新しい性能説明可能性分析フレームワークを提案する。
このフレームワークは、既存の機械学習手法のパフォーマンス-説明可能性評価を体系化する一連の特徴について詳述する。
論文 参考訳(メタデータ) (2020-05-29T11:08:31Z)
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。