論文の概要: A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance
- arxiv url: http://arxiv.org/abs/2404.14455v1
- Date: Sun, 21 Apr 2024 09:48:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-24 18:07:28.962893
- Title: A Neuro-Symbolic Explainer for Rare Events: A Case Study on Predictive Maintenance
- Title（参考訳）: 希少事象に対するニューロシンボリックな説明装置 : 予測的メンテナンスを事例として
- Authors: João Gama, Rita P. Ribeiro, Saulo Mastelini, Narjes Davarid, Bruno Veloso,
- Abstract要約: 本稿では,オンラインルール学習アルゴリズムを用いてブラックボックスモデルが故障を予測した時期を説明するニューラルシンボリックアーキテクチャを提案する。
提案システムは,異常検出と異常説明という2つの問題を並列に解く。
提案システムをMetro do Portoの実例で評価し,そのメリットを解説した説明を提供する。
- 参考スコア（独自算出の注目度）: 3.483595743063401
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive Maintenance applications are increasingly complex, with interactions between many components. Black box models are popular approaches based on deep learning techniques due to their predictive accuracy. This paper proposes a neural-symbolic architecture that uses an online rule-learning algorithm to explain when the black box model predicts failures. The proposed system solves two problems in parallel: anomaly detection and explanation of the anomaly. For the first problem, we use an unsupervised state of the art autoencoder. For the second problem, we train a rule learning system that learns a mapping from the input features to the autoencoder reconstruction error. Both systems run online and in parallel. The autoencoder signals an alarm for the examples with a reconstruction error that exceeds a threshold. The causes of the signal alarm are hard for humans to understand because they result from a non linear combination of sensor data. The rule that triggers that example describes the relationship between the input features and the autoencoder reconstruction error. The rule explains the failure signal by indicating which sensors contribute to the alarm and allowing the identification of the component involved in the failure. The system can present global explanations for the black box model and local explanations for why the black box model predicts a failure. We evaluate the proposed system in a real-world case study of Metro do Porto and provide explanations that illustrate its benefits.
- Abstract（参考訳）: 予測保守アプリケーションはますます複雑になり、多くのコンポーネント間の相互作用がある。
ブラックボックスモデルは、予測精度のため、ディープラーニング技術に基づく一般的なアプローチである。
本稿では,オンラインルール学習アルゴリズムを用いてブラックボックスモデルが故障を予測した時期を説明するニューラルシンボリックアーキテクチャを提案する。
提案システムは,異常検出と異常説明という2つの問題を並列に解く。
最初の問題として、教師なしの最先端オートエンコーダを用いる。
2つ目の問題として、入力特徴からオートエンコーダ再構成誤差へのマッピングを学習するルール学習システムを訓練する。
どちらのシステムもオンラインと並列に動作する。
オートエンコーダは、しきい値を超える復元誤差のある例のアラームを通知する。
信号アラームの原因は、センサデータの非線形結合の結果、人間が理解することが難しいためである。
その例をトリガーするルールは、入力特徴とオートエンコーダ再構成エラーの関係を記述している。
このルールは、アラームにどのセンサーが寄与しているかを示し、障害に関わるコンポーネントの識別を可能にすることによって、障害信号を説明する。
このシステムは、ブラックボックスモデルに対するグローバルな説明と、ブラックボックスモデルが失敗を予測する理由に関するローカルな説明を提示することができる。
提案システムをMetro do Portoの実例で評価し,そのメリットを解説した説明を提供する。
関連論文リスト
- Representing Timed Automata and Timing Anomalies of Cyber-Physical
Production Systems in Knowledge Graphs [51.98400002538092]
本稿では,学習されたタイムドオートマトンとシステムに関する公式知識グラフを組み合わせることで,CPPSのモデルベース異常検出を改善することを目的とする。
モデルと検出された異常の両方を知識グラフに記述し、モデルと検出された異常をより容易に解釈できるようにする。
論文 参考訳（メタデータ） (2023-08-25T15:25:57Z) - Disentangled Causal Graph Learning for Online Unsupervised Root Cause
Analysis [49.910053255238566]
ルート原因分析(RCA)は、システム監視データを分析することにより、システム障害/障害の根本原因を特定することができる。
従来の研究は主にオフラインのRCAアルゴリズムの開発に重点を置いており、しばしば手動でRCAプロセスを開始する必要がある。
我々は、RCAプロセスを自動的に起動し、RCAモデルを漸進的に更新できる新しいオンラインRCAフレームワークであるCORALを提案する。
論文 参考訳（メタデータ） (2023-05-18T01:27:48Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - Graph Neural Network-based Early Bearing Fault Detection [0.18275108630751835]
グラフニューラルネットワークを用いた新しい故障検出手法を提案する。
AIと現実世界のメカニカルシステムの間に橋を架けている。
提案手法は, 通常の対象領域に混在する異常物体を検出する。
論文 参考訳（メタデータ） (2022-04-24T08:54:55Z) - Neurosymbolic hybrid approach to driver collision warning [64.02492460600905]
自律運転システムには2つの主要なアルゴリズムアプローチがある。
ディープラーニングだけでは、多くの分野で最先端の結果が得られています。
しかし、ディープラーニングモデルが機能しない場合、デバッグが非常に難しい場合もあります。
論文 参考訳（メタデータ） (2022-03-28T20:29:50Z) - Real-Time Predictive Maintenance using Autoencoder Reconstruction and
Anomaly Detection [0.2446672595462589]
回転機械故障検出システムは時代遅れであり、故障を発見するための定期的な試験に依存している。
リアルタイム監視は、手動による観察を必要とせずに障害を検出するソリューションを提供する。
本稿では,通常の作業動作をモデル化し,異常を検出する機械学習(ML)アプローチを提案する。
論文 参考訳（メタデータ） (2021-10-01T12:25:25Z) - Online Dictionary Learning Based Fault and Cyber Attack Detection for
Power Systems [4.657875410615595]
本稿では,ストリームデータマイニング分類器を活用することで,イベント検出と侵入検出の問題に対処する。
まず、ラベルのないデータから高レベルな特徴を学習して辞書を構築する。
そして、ラベル付きデータは、学習した辞書原子の疎線形結合として表現される。
我々は、これらの余分なコードを利用して、オンライン分類器と効率的な変更検出器を訓練する。
論文 参考訳（メタデータ） (2021-08-24T23:17:58Z) - Inductive biases and Self Supervised Learning in modelling a physical
heating system [0.0]
本稿では,物理系に関する帰納バイアスを推測する。
このバイアスを使って、実際のシステムをモデル化できる新しいニューラルネットワークアーキテクチャを導出します。
提案されたアーキテクチャファミリーであるDelayは、遅延応答を持つシステムを制御するために実際のシナリオで使用できる。
論文 参考訳（メタデータ） (2021-04-23T08:50:41Z) - Explaining Network Intrusion Detection System Using Explainable AI
Framework [0.5076419064097734]
侵入検知システムは、今日の世界のサイバー安全の重要なレイヤーの1つです。
本稿では,ディープニューラルネットワークを用いてネットワーク侵入検出を行った。
また、機械学習パイプラインの各段階で透明性を追加する説明可能なAIフレームワークも提案しました。
論文 参考訳（メタデータ） (2021-03-12T07:15:09Z) - A Novel Anomaly Detection Algorithm for Hybrid Production Systems based
on Deep Learning and Timed Automata [73.38551379469533]
DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。
深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。
このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
論文 参考訳（メタデータ） (2020-10-29T08:27:43Z) - Attention that does not Explain Away [54.42960937271612]
Transformerアーキテクチャに基づくモデルは、大規模なタスクに対して競合するアーキテクチャに基づくモデルよりも精度が高い。
Transformerのユニークな特徴は、任意の距離で自由な情報の流れを可能にする自己認識機構の普遍的な応用である。
本稿では,実装が簡単で,"説明的回避"効果を避けるための理論的保証を提供する,二重正規化アテンション方式を提案する。
論文 参考訳（メタデータ） (2020-09-29T21:05:39Z)
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。