論文の概要: Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles
- arxiv url: http://arxiv.org/abs/2405.02731v1
- Date: Sat, 4 May 2024 18:31:38 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-07 18:39:58.453644
- Title: Systematic Review: Anomaly Detection in Connected and Autonomous Vehicles
- Title（参考訳）: システムレビュー:コネクテッドおよび自律走行車における異常検出
- Authors: J. R. V. Solaas, N. Tuptuk, E. Mariconti,
- Abstract要約: この系統的なレビューは、連結車両と自律車両の異常検出に焦点を当てている。
異常検出に最もよく使用される人工知能(AI)アルゴリズムは、LSTM、CNN、オートエンコーダなどのニューラルネットワークと1クラスのSVMである。
自動車への異常検出の展開を調査し,道路上での性能評価を行うためには,今後の研究が必要である。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This systematic review focuses on anomaly detection for connected and autonomous vehicles. The initial database search identified 2160 articles, of which 203 were included in this review after rigorous screening and assessment. This study revealed that the most commonly used Artificial Intelligence (AI) algorithms employed in anomaly detection are neural networks like LSTM, CNN, and autoencoders, alongside one-class SVM. Most anomaly-based models were trained using real-world operational vehicle data, although anomalies, such as attacks and faults, were often injected artificially into the datasets. These models were evaluated mostly using five key evaluation metrics: recall, accuracy, precision, F1-score, and false positive rate. The most frequently used selection of evaluation metrics used for anomaly detection models were accuracy, precision, recall, and F1-score. This systematic review presents several recommendations. First, there is a need to incorporate multiple evaluation metrics to provide a comprehensive assessment of the anomaly detection models. Second, only a small proportion of the studies have made their models open source, indicating a need to share models publicly to facilitate collaboration within the research community, and to validate and compare findings effectively. Third, there is a need for benchmarking datasets with predefined anomalies or cyberattacks to test and improve the effectiveness of the proposed anomaly-based detection models. Furthermore, there is a need for future research to investigate the deployment of anomaly detection to a vehicle to assess its performance on the road. There is a notable lack of research done on intrusion detection systems using different protocols to CAN, such as Ethernet and FlexRay.
- Abstract（参考訳）: この系統的なレビューは、連結車両と自律車両の異常検出に焦点を当てている。
最初のデータベース検索では2160項目が特定され、そのうち203項目が厳格な審査と評価の後にこのレビューに含まれていた。
この研究では、異常検出に最もよく使用される人工知能(AI)アルゴリズムが、一級SVMとともにLSTM、CNN、オートエンコーダなどのニューラルネットワークであることが明らかになった。
ほとんどの異常ベースのモデルは実際の運用車両データを使用して訓練されたが、攻撃や故障などの異常はデータセットに人工的に注入されることが多かった。
これらのモデルは、主にリコール、精度、精度、F1スコア、偽陽性率の5つの主要な評価指標を用いて評価された。
異常検出モデルに最も頻繁に使用される評価指標は、精度、精度、リコール、F1スコアである。
この体系的なレビューはいくつかのレコメンデーションを提示します。
まず、異常検出モデルの総合的な評価を提供するために、複数の評価指標を組み込む必要がある。
第二に、研究のごく一部だけがモデルをオープンソース化し、研究コミュニティ内でのコラボレーションを促進するためにモデルを公開し、発見を効果的に検証し比較する必要性を示している。
第三に、提案された異常に基づく検出モデルの有効性をテストするために、事前に定義された異常やサイバー攻撃を伴うデータセットをベンチマークする必要がある。
さらに,車両への異常検出の展開について,道路上での性能評価を行うための今後の研究が必要である。
Ethernet や FlexRay など,CAN へのプロトコルの異なる侵入検知システムについての研究は,特に不足している。
関連論文リスト
- Are Anomaly Scores Telling the Whole Story? A Benchmark for Multilevel Anomaly Detection [46.244213695024]
異常検出(AD)は、通常のトレーニングデータからパターンを学習することで異常を識別する機械学習タスクである。
既存のモデルは、主にバイナリ環境で動作し、それらが生成する異常スコアは通常、通常のデータからのデータポイントのずれに基づいている。
本稿では,実世界のアプリケーションにおける異常の重症度を表す,新しい設定であるマルチレベルAD(MAD)を提案する。
第2に,新たなベンチマークMAD-Benchを導入する。このベンチマークでは,異常検出能力だけでなく,異常スコアが重大度をどの程度効果的に反映しているかをモデルとして評価する。
論文 参考訳（メタデータ） (2024-11-21T14:18:37Z) - Can I trust my anomaly detection system? A case study based on explainable AI [0.4416503115535552]
本稿では,変分自己エンコーダ生成モデルに基づく異常検出システムのロバスト性について検討する。
目標は、再構成の違いを利用する異常検知器の実際の性能について、異なる視点を得ることです。
論文 参考訳（メタデータ） (2024-07-29T12:39:07Z) - Online-Adaptive Anomaly Detection for Defect Identification in Aircraft Assembly [4.387337528923525]
異常検出は、データ内の確立されたパターンから逸脱を検出する。
本稿では,移動学習を用いたオンライン適応型異常検出のための新しいフレームワークを提案する。
実験結果は0.975を超える検出精度を示し、最先端のET-NETアプローチよりも優れていた。
論文 参考訳（メタデータ） (2024-06-18T15:11:44Z) - 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) - Diagnosing Human-object Interaction Detectors [42.283857276076596]
本稿では,HOI検出モデルの定量的なブレークダウン解析を行うための診断ツールボックスを提案する。
我々は8つの最先端HOI検出モデルを分析し、今後の研究を促進する貴重な診断洞察を提供する。
論文 参考訳（メタデータ） (2023-08-16T17:39:15Z) - PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。
我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
論文 参考訳（メタデータ） (2023-01-25T16:34:43Z) - 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) - 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) - 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) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。