論文の概要: Lightweight Multi-System Multivariate Interconnection and Divergence Discovery

• arxiv url: http://arxiv.org/abs/2404.08453v1
• Date: Fri, 12 Apr 2024 13:02:33 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-15 14:57:03.531985
• Title: Lightweight Multi-System Multivariate Interconnection and Divergence Discovery
• Title（参考訳）: 軽量マルチシステム多変量相互接続と多様性発見
• Authors: Mulugeta Weldezgina Asres, Christian Walter Omlin, Jay Dittmann, Pavel Parygin, Joshua Hiltbrand, Seth I. Cooper, Grace Cummings, David Yu,
• Abstract要約: 本研究では,多系統環境における異常な挙動を識別する軽量な相互接続・分散発見機構(LIDD)を提案する。 CERNにおけるコンパクト・ミューオン・ソレノイド(CMS)実験におけるハドロン・カロリメータの読み出しシステムに関する実験により,提案手法の有効性が示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Identifying outlier behavior among sensors and subsystems is essential for discovering faults and facilitating diagnostics in large systems. At the same time, exploring large systems with numerous multivariate data sets is challenging. This study presents a lightweight interconnection and divergence discovery mechanism (LIDD) to identify abnormal behavior in multi-system environments. The approach employs a multivariate analysis technique that first estimates the similarity heatmaps among the sensors for each system and then applies information retrieval algorithms to provide relevant multi-level interconnection and discrepancy details. Our experiment on the readout systems of the Hadron Calorimeter of the Compact Muon Solenoid (CMS) experiment at CERN demonstrates the effectiveness of the proposed method. Our approach clusters readout systems and their sensors consistent with the expected calorimeter interconnection configurations, while capturing unusual behavior in divergent clusters and estimating their root causes.
• Abstract（参考訳）: センサとサブシステム間の異常な振る舞いを識別することは、大規模システムにおける障害発見と診断の促進に不可欠である。 同時に、多数の多変量データセットを持つ大規模システムの探索も困難である。 本研究では,多系統環境における異常な挙動を識別する軽量な相互接続・分散発見機構(LIDD)を提案する。 このアプローチでは,まず各システムのセンサ間の類似度ヒートマップを推定し,関連する多レベル相互接続と不一致の詳細を提供するために情報検索アルゴリズムを適用する多変量解析手法を採用している。 CERNにおけるコンパクト・ミューオン・ソレノイド(CMS)実験におけるハドロン・カロリメータの読み出しシステムに関する実験により,提案手法の有効性が示された。 提案手法は,異なるクラスターにおける異常な挙動を捉え,根本原因を推定しながら,予測されるカロリーメータの相互接続構成と一致した可読性システムとそのセンサである。

関連論文リスト

• Online Multi-modal Root Cause Analysis [61.94987309148539]
  ルート原因分析(RCA)は、マイクロサービスシステムにおける障害の根本原因の特定に不可欠である。 既存のオンラインRCAメソッドは、マルチモーダルシステムにおける複雑な相互作用を見渡す単一モーダルデータのみを処理する。 OCEANは、根本原因の局在化のための新しいオンラインマルチモーダル因果構造学習手法である。
  論文  参考訳（メタデータ） (2024-10-13T21:47:36Z)
• Interactive System-wise Anomaly Detection [66.3766756452743]
  異常検出は様々なアプリケーションにおいて基本的な役割を果たす。 既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。 システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
  論文  参考訳（メタデータ） (2023-04-21T02:20:24Z)
• Sensor Fault Detection and Isolation in Autonomous Nonlinear Systems Using Neural Network-Based Observers [6.432798111887824]
  センサ故障検出分離法(s-FDI)は一般的な非線形システムに適用される。 このアプローチの主な側面は、ニューラルネットワークベースのKazantzis-Kravaris/Luenberger(KKL)オブザーバの利用である。
  論文  参考訳（メタデータ） (2023-04-18T09:05:07Z)
• Quality-Based Conditional Processing in Multi-Biometrics: Application to Sensor Interoperability [63.05238390013457]
  2007年のバイオセキュリティ・マルチモーダル・アセスメント・キャンペーンにおいて,ATVS-UAM融合手法を品質ベースで評価し,評価を行った。 我々のアプローチは線形ロジスティック回帰に基づいており、融合したスコアはログライクな比率になる傾向にある。 その結果,提案手法はルールベースの核融合方式よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-11-24T12:11:22Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Unsupervised Deep Anomaly Detection for Multi-Sensor Time-Series Signals [10.866594993485226]
  本稿では,Deep Convolutional Autoencoding Memory Network (CAE-M) という,ディープラーニングに基づく新しい異常検出アルゴリズムを提案する。 我々はまず,最大平均離散値(MMD)を用いたマルチセンサデータの空間依存性を特徴付けるディープ畳み込みオートエンコーダを構築する。 そして,線形(自己回帰モデル)と非線形予測(注意を伴う大規模LSTM)からなるメモリネットワークを構築し,時系列データから時間依存性を捉える。
  論文  参考訳（メタデータ） (2021-07-27T06:48:20Z)
• Online Estimation and Coverage Control with Heterogeneous Sensing Information [4.350783459690612]
  不均一なマルチロボットセンシングシステムは、均質なシステムよりもより包括的に物理過程を特徴付けることができる。 複数の感覚データへのアクセスにより、このようなシステムは相補的な情報源間で情報を融合することができる。 低忠実度データはより豊富であり、高忠実度データはより信頼できるかもしれない。
  論文  参考訳（メタデータ） (2021-06-28T20:59:57Z)
• Frequency-based Multi Task learning With Attention Mechanism for Fault Detection In Power Systems [6.4332733596587115]
  本稿では,障害検出のための新しいディープラーニングベースのアプローチを導入し,実際のデータセット,すなわち部分放電検出タスクのためのKaggleプラットフォーム上でテストする。 提案手法では,時系列の特徴を抽出するためのアテンション機構を備えたLong-Short Term Memoryアーキテクチャを採用し,信号の周波数情報を利用した1D-Convolutional Neural Network構造を用いて予測を行う。
  論文  参考訳（メタデータ） (2020-09-15T02:01:47Z)
• End-to-End Models for the Analysis of System 1 and System 2 Interactions based on Eye-Tracking Data [99.00520068425759]
  本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。 統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。 機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
  論文  参考訳（メタデータ） (2020-02-03T17:46:13Z)
• Learning Selective Sensor Fusion for States Estimation [47.76590539558037]
  本稿では,エンド・ツー・エンドのセンサ・フュージョン・モジュールであるSelectFusionを提案する。 予測中、ネットワークは異なるセンサーモードから潜伏する特徴の信頼性を評価することができる。 我々は、公開データセットと漸進的に劣化したデータセットの両方において、すべての融合戦略を広範囲に評価する。
  論文  参考訳（メタデータ） (2019-12-30T20:25:16Z)

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。