論文の概要: Interpretable Data-driven Anomaly Detection in Industrial Processes with ExIFFI

• arxiv url: http://arxiv.org/abs/2405.01158v1
• Date: Thu, 2 May 2024 10:23:17 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-03 16:54:18.462608
• Title: Interpretable Data-driven Anomaly Detection in Industrial Processes with ExIFFI
• Title（参考訳）: ExIFFIを用いた産業プロセスにおける解釈可能なデータ駆動異常検出
• Authors: Davide Frizzo, Francesco Borsatti, Alessio Arcudi, Antonio De Moliner, Roberto Oboe, Gian Antonio Susto,
• Abstract要約: 工業プロセスは、最終製品の生産を包含して、可能な限り業務を効率化することを目的としている。 産業5.0の出現を踏まえ、より望ましいアプローチは解釈可能な結果の提供である。 本稿では,ExIFFIの産業的応用として,EIF(Extended isolated Forest)異常検出のための高速かつ効率的な説明法の開発に焦点をあてた。
• 参考スコア（独自算出の注目度）: 3.7516053899419104
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Anomaly detection (AD) is a crucial process often required in industrial settings. Anomalies can signal underlying issues within a system, prompting further investigation. Industrial processes aim to streamline operations as much as possible, encompassing the production of the final product, making AD an essential mean to reach this goal.Conventional anomaly detection methodologies typically classify observations as either normal or anomalous without providing insight into the reasons behind these classifications.Consequently, in light of the emergence of Industry 5.0, a more desirable approach involves providing interpretable outcomes, enabling users to understand the rationale behind the results.This paper presents the first industrial application of ExIFFI, a recently developed approach focused on the production of fast and efficient explanations for the Extended Isolation Forest (EIF) Anomaly detection method. ExIFFI is tested on two publicly available industrial datasets demonstrating superior effectiveness in explanations and computational efficiency with the respect to other state-of-the-art explainable AD models.
• Abstract（参考訳）: 異常検出(AD)は産業環境でしばしば必要とされる重要なプロセスである。 異常はシステム内の根底にある問題にシグナルを与え、さらなる調査を促す。 産業プロセスは、最終製品の生産をできるだけ効率化することを目的としており、ADを目標を達成するための重要な手段としています。従来の異常検出手法は、一般的に、これらの分類の背景にある理由を把握せずに、観察を通常または異常に分類します。 ExIFFIは、他の最先端のADモデルと比較して、説明と計算効率において優れた効果を示す2つの公開産業データセットでテストされている。

関連論文リスト

• Unsupervised Anomaly Detection Using Diffusion Trend Analysis [48.19821513256158]
  本稿では, 劣化度に応じて, 復元傾向の分析により異常を検出する手法を提案する。 提案手法は,産業用異常検出のためのオープンデータセット上で検証される。
  論文  参考訳（メタデータ） (2024-07-12T01:50:07Z)
• Enabling Efficient and Flexible Interpretability of Data-driven Anomaly Detection in Industrial Processes with AcME-AD [5.315104943095396]
  本稿では,AcME-ADの産業応用について述べる。 AcME-ADはモデルに依存しない柔軟性を提供し、リアルタイム効率を優先する。 これらのテストは、産業環境におけるADと特徴に基づく根本原因分析に有用なツールとして、AcME-ADの可能性を実証している。
  論文  参考訳（メタデータ） (2024-04-29T09:11:41Z)
• Accurate and fast anomaly detection in industrial processes and IoT environments [38.674246480579946]
  本稿では,産業用およびIoT用環境であるSAnDにおける異常検出のための,新しい,シンプルで広く適用可能な半教師付き手順を提案する。 SAnDは5つのステップから構成されており、それぞれよく知られた統計ツール、すなわち、スムージングフィルタ、分散インフレーション係数、マハラノビス距離、しきい値選択アルゴリズム、特徴重要度技術を利用している。 我々は、SAnDは有効であり、広く適用可能であり、異常検出と実行時の両方において既存のアプローチより優れていると結論付けている。
  論文  参考訳（メタデータ） (2024-04-27T14:29:42Z)
• IPAD: Industrial Process Anomaly Detection Dataset [71.39058003212614]
  ビデオ異常検出(VAD)は,ビデオフレーム内の異常を認識することを目的とした課題である。 本稿では,産業シナリオにおけるVADに特化して設計された新しいデータセットIPADを提案する。 このデータセットは16の異なる産業用デバイスをカバーし、合成ビデオと実世界のビデオの両方を6時間以上保存している。
  論文  参考訳（メタデータ） (2024-04-23T13:38:01Z)
• AcME-AD: Accelerated Model Explanations for Anomaly Detection [5.702288833888639]
  AcME-ADは相互運用性のためのモデルに依存しない効率的なソリューションです。 ローカルな特徴重要度スコアと、各異常に寄与する要因を隠蔽するWhat-if分析ツールを提供する。 本稿では,AcME-ADの基礎とその既存手法に対する利点を解明し,合成データと実データの両方を用いて,その有効性を検証する。
  論文  参考訳（メタデータ） (2024-03-02T16:11:58Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• FABLE : Fabric Anomaly Detection Automation Process [4.243356707599485]
  産業における教師なしの異常は、ハイパフォーマンスな産業自動化プロセスのための話題と足掛かりとなっている。 本稿では,工業布地質欠陥検出のための特異性学習プロセスによる自動化プロセスを提案する。
  論文  参考訳（メタデータ） (2023-06-16T13:35:46Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• A2Log: Attentive Augmented Log Anomaly Detection [53.06341151551106]
  異常検出は、ITサービスの信頼性とサービス性にとってますます重要になる。 既存の教師なし手法は、適切な決定境界を得るために異常な例を必要とする。 我々は,異常判定と異常判定の2段階からなる教師なし異常検出手法であるA2Logを開発した。
  論文  参考訳（メタデータ） (2021-09-20T13:40:21Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。