論文の概要: A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection
- arxiv url: http://arxiv.org/abs/2403.12864v2
- Date: Fri, 17 May 2024 09:28:40 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-20 18:22:03.468810
- Title: A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection
- Title（参考訳）: 宇宙機異常検出のためのディープラーニングアーキテクチャの比較
- Authors: Daniel Lakey, Tim Schlippe,
- Abstract要約: 本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。
調査中のモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
- 参考スコア（独自算出の注目度）: 0.138120109831448
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Spacecraft operations are highly critical, demanding impeccable reliability and safety. Ensuring the optimal performance of a spacecraft requires the early detection and mitigation of anomalies, which could otherwise result in unit or mission failures. With the advent of deep learning, a surge of interest has been seen in leveraging these sophisticated algorithms for anomaly detection in space operations. This study aims to compare the efficacy of various deep learning architectures in detecting anomalies in spacecraft data. The deep learning models under investigation include Convolutional Neural Networks (CNNs), Recurrent Neural Networks (RNNs), Long Short-Term Memory (LSTM) networks, and Transformer-based architectures. Each of these models was trained and validated using a comprehensive dataset sourced from multiple spacecraft missions, encompassing diverse operational scenarios and anomaly types. Initial results indicate that while CNNs excel in identifying spatial patterns and may be effective for some classes of spacecraft data, LSTMs and RNNs show a marked proficiency in capturing temporal anomalies seen in time-series spacecraft telemetry. The Transformer-based architectures, given their ability to focus on both local and global contexts, have showcased promising results, especially in scenarios where anomalies are subtle and span over longer durations. Additionally, considerations such as computational efficiency, ease of deployment, and real-time processing capabilities were evaluated. While CNNs and LSTMs demonstrated a balance between accuracy and computational demands, Transformer architectures, though highly accurate, require significant computational resources. In conclusion, the choice of deep learning architecture for spacecraft anomaly detection is highly contingent on the nature of the data, the type of anomalies, and operational constraints.
- Abstract（参考訳）: 宇宙船の運用は非常に重要であり、信頼性と安全性が要求される。
宇宙船の最適性能を確保するには、異常を早期に検出し緩和する必要がある。
深層学習の出現により、宇宙操作における異常検出にこれらの洗練されたアルゴリズムを活用することに、関心が高まっている。
本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。
調査中のディープラーニングモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
これらのモデルはそれぞれ、さまざまな運用シナリオと異常なタイプを含む複数のミッションから得られた包括的なデータセットを使用して、トレーニングされ、検証された。
初期の結果は、CNNは空間パターンの同定に優れており、いくつかの種類の宇宙船データに有効であることを示しているが、LSTMとRNNは、時系列の宇宙船テレメトリーで見られる時間異常を捉えるのに顕著な習熟性を示した。
Transformerベースのアーキテクチャは、ローカルとグローバルの両方のコンテキストにフォーカスできることから、特に異常が微妙で、長期間にわたって分散しているシナリオにおいて、有望な結果を示した。
さらに,計算効率,展開容易性,リアルタイム処理能力などの考察も行った。
CNNとLSTMは精度と計算要求のバランスを示したが、Transformerアーキテクチャは精度は高いが、かなりの計算資源を必要とする。
結論として、宇宙船異常検出のためのディープラーニングアーキテクチャの選択は、データの性質、異常の種類、運用上の制約に大きく依存している。
関連論文リスト
- Spatial-Temporal Bearing Fault Detection Using Graph Attention Networks and LSTM [0.7864304771129751]
本稿では,グラフ注意ネットワーク(GAT)とLong Short-Term Memory(LSTM)ネットワークを組み合わせた新しい手法を提案する。
このアプローチは、センサデータ内の空間的および時間的依存関係を捕捉し、軸受故障検出の精度を向上させる。
論文 参考訳（メタデータ） (2024-10-15T12:55:57Z) - CNN-Based Structural Damage Detection using Time-Series Sensor Data [0.0]
本研究では,新しいコナールニューラルネットワーク(CNN)アルゴリズムを用いて,構造損傷検出の革新的なアプローチを提案する。
時系列データは、提案したニューラルネットワークを用いて2つのカテゴリに分けられる。
その結果,新しいCNNアルゴリズムは構造劣化の発見に極めて正確であることが示唆された。
論文 参考訳（メタデータ） (2023-11-07T11:57:33Z) - A Bi-LSTM Autoencoder Framework for Anomaly Detection -- A Case Study of
a Wind Power Dataset [2.094022863940315]
異常(英: Anomalies)とは、通常および同質の事象から逸脱するデータポイントまたはイベントを指す。
本研究では,Bi-LSTMアーキテクチャとAutoencoderを組み合わせた時系列異常検出フレームワークを提案する。
Bi-LSTM Autoencoderモデルは96.79%の分類精度を達成し、より一般的なLSTM Autoencoderモデルよりも優れていた。
論文 参考訳（メタデータ） (2023-03-17T00:24:28Z) - Spacecraft Anomaly Detection with Attention Temporal Convolution Network [19.127630728690534]
時空間畳み込みネットワーク(TCN)に基づく宇宙船の時系列データに対する異常検出フレームワークを提案する。
まず、変数と時系列の間の複雑な相関をモデル化するために、動的グラフ注意を用いる。
第2に、並列処理能力を有する時間畳み込みネットワークを用いて、下流予測タスクのテキストカラーブルーを多次元的に抽出する。
論文 参考訳（メタデータ） (2023-03-13T05:54:01Z) - Denoising Architecture for Unsupervised Anomaly Detection in Time-Series [0.0]
このLSTM-Decoderモデルの補体として、Denoising Architectureを紹介します。
提案アーキテクチャは精度とトレーニング速度の両方を向上し,LSTMオートエンコーダを非教師付き異常検出タスクに対してより効率的にすることを示した。
論文 参考訳（メタデータ） (2022-08-30T15:23:45Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - TELESTO: A Graph Neural Network Model for Anomaly Classification in
Cloud Services [77.454688257702]
機械学習(ML)と人工知能(AI)はITシステムの運用とメンテナンスに適用される。
1つの方向は、修復自動化を可能にするために、繰り返し発生する異常タイプを認識することである。
与えられたデータの次元変化に不変な手法を提案する。
論文 参考訳（メタデータ） (2021-02-25T14:24:49Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳（メタデータ） (2021-01-12T20:08:18Z) - 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)
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。