論文の概要: S2DEVFMAP: Self-Supervised Learning Framework with Dual Ensemble Voting Fusion for Maximizing Anomaly Prediction in Timeseries

• arxiv url: http://arxiv.org/abs/2404.16179v1
• Date: Wed, 24 Apr 2024 20:09:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-26 16:02:40.894816
• Title: S2DEVFMAP: Self-Supervised Learning Framework with Dual Ensemble Voting Fusion for Maximizing Anomaly Prediction in Timeseries
• Title（参考訳）: S2DEVFMAP: 時系列における異常予測の最大化のためのデュアルアンサンブル投票融合を用いた自己教師付き学習フレームワーク
• Authors: Sarala Naidu, Ning Xiong,
• Abstract要約: 異常検出は、特に冷却システムの信頼性と最適性能を維持する上で、産業環境において重要な役割を担っている。 この研究は、5つの異種独立モデルと2重アンサンブル融合を用いた新しい頑健なアプローチを提案する。
• 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: Anomaly detection plays a crucial role in industrial settings, particularly in maintaining the reliability and optimal performance of cooling systems. Traditional anomaly detection methods often face challenges in handling diverse data characteristics and variations in noise levels, resulting in limited effectiveness. And yet traditional anomaly detection often relies on application of single models. This work proposes a novel, robust approach using five heterogeneous independent models combined with a dual ensemble fusion of voting techniques. Diverse models capture various system behaviors, while the fusion strategy maximizes detection effectiveness and minimizes false alarms. Each base autoencoder model learns a unique representation of the data, leveraging their complementary strengths to improve anomaly detection performance. To increase the effectiveness and reliability of final anomaly prediction, dual ensemble technique is applied. This approach outperforms in maximizing the coverage of identifying anomalies. Experimental results on a real-world dataset of industrial cooling system data demonstrate the effectiveness of the proposed approach. This approach can be extended to other industrial applications where anomaly detection is critical for ensuring system reliability and preventing potential malfunctions.
• Abstract（参考訳）: 異常検出は、特に冷却システムの信頼性と最適性能を維持する上で、産業環境において重要な役割を担っている。 従来の異常検出手法は、様々なデータ特性やノイズレベルの変動を扱う際の課題に直面することが多く、効果は限られている。 しかし、従来の異常検出は、しばしば単一モデルの応用に依存している。 この研究は、5つの異種独立モデルと2重アンサンブル融合を用いた新しい頑健なアプローチを提案する。 各種モデルは様々なシステムの振る舞いを捉え、融合戦略は検出効率を最大化し、誤報を最小限にする。 各ベースオートエンコーダモデルはデータのユニークな表現を学習し、相補的な強度を活用して異常検出性能を向上させる。 最終異常予測の有効性と信頼性を高めるため、二重アンサンブル法を適用した。 このアプローチは、異常を識別する範囲を最大化するのに優れています。 実世界の産業用冷却システムデータのデータセットによる実験結果から,提案手法の有効性が示された。 このアプローチは、システムの信頼性を確保し、潜在的な誤動作を防ぐために異常検出が重要である他の産業アプリケーションにも拡張できる。

関連論文リスト

• A Reliable Framework for Human-in-the-Loop Anomaly Detection in Time Series [17.08674819906415]
  HILADは、人間とAIの動的かつ双方向なコラボレーションを促進するために設計された、新しいフレームワークである。 ビジュアルインターフェースを通じて、HILADはドメインの専門家に、大規模な予期せぬモデルの振る舞いを検出し、解釈し、修正する権限を与えます。
  論文  参考訳（メタデータ） (2024-05-06T07:44:07Z)
• An Attention-Based Deep Generative Model for Anomaly Detection in Industrial Control Systems [3.303448701376485]
  異常検出は、産業制御システムの安全かつ信頼性の高い運用に不可欠である。 本稿では,このニーズを満たすための新しい深層生成モデルを提案する。
  論文  参考訳（メタデータ） (2024-05-03T23:58:27Z)
• Contrastive Multi-Modal Representation Learning for Spark Plug Fault Diagnosis [0.21847754147782888]
  コントラッシブラーニングパラダイムに基づくユニークなトレーニング戦略を備えたマルチモーダルオートエンコーダを提案する。 提案手法は、データの複数モード(またはビュー)をリッチな共通表現に融合する際の優れた性能を実現する。 本手法により,センサ故障発生時のマルチモーダル故障診断システムをより堅牢に行うことができる。
  論文  参考訳（メタデータ） (2023-11-04T00:04:09Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• 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)
• An Outlier Exposure Approach to Improve Visual Anomaly Detection Performance for Mobile Robots [76.36017224414523]
  移動ロボットの視覚異常検出システム構築の問題点を考察する。 標準異常検出モデルは、非異常データのみからなる大規模なデータセットを用いて訓練される。 本研究では,これらのデータを利用してリアルNVP異常検出モデルの性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-20T15:18:13Z)
• 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)
• ESAD: End-to-end Deep Semi-supervised Anomaly Detection [85.81138474858197]
  正規データと異常データの間のKL偏差を計測する新たな目的関数を提案する。 提案手法は,複数のベンチマークデータセットの最先端性能を著しく上回っている。
  論文  参考訳（メタデータ） (2020-12-09T08:16:35Z)
• Real-World Anomaly Detection by using Digital Twin Systems and Weakly-Supervised Learning [3.0100975935933567]
  本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。 これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。 提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
  論文  参考訳（メタデータ） (2020-11-12T10:15:56Z)
• Self-trained Deep Ordinal Regression for End-to-End Video Anomaly Detection [114.9714355807607]
  ビデオ異常検出に自己学習深層順序回帰を適用することで,既存の手法の2つの重要な限界を克服できることを示す。 我々は,手動で正規/異常データをラベル付けすることなく,共同表現学習と異常スコアリングを可能にする,エンドツーエンドのトレーニング可能なビデオ異常検出手法を考案した。
  論文  参考訳（メタデータ） (2020-03-15T08:44:55Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。