論文の概要: Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection

• arxiv url: http://arxiv.org/abs/2406.08516v1
• Date: Tue, 11 Jun 2024 12:41:24 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-14 22:37:00.744975
• Title: Enhanced Anomaly Detection in Automotive Systems Using SAAD: Statistical Aggregated Anomaly Detection
• Title（参考訳）: SAADを用いた自動車システムの異常検出の高速化:統計的異常検出
• Authors: Dacian Goina, Eduard Hogea, George Maties,
• Abstract要約: 本稿では,SAADと呼ばれる新しい異常検出手法を提案する。 SAADアプローチは、高度な統計技術と機械学習を統合し、その有効性は、自動車領域内のハードウェア・イン・ザ・ループ(HIL)環境からの実センサデータを検証することによって実証される。
• 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 paper presents a novel anomaly detection methodology termed Statistical Aggregated Anomaly Detection (SAAD). The SAAD approach integrates advanced statistical techniques with machine learning, and its efficacy is demonstrated through validation on real sensor data from a Hardware-in-the-Loop (HIL) environment within the automotive domain. The key innovation of SAAD lies in its ability to significantly enhance the accuracy and robustness of anomaly detection when combined with Fully Connected Networks (FCNs) augmented by dropout layers. Comprehensive experimental evaluations indicate that the standalone statistical method achieves an accuracy of 72.1%, whereas the deep learning model alone attains an accuracy of 71.5%. In contrast, the aggregated method achieves a superior accuracy of 88.3% and an F1 score of 0.921, thereby outperforming the individual models. These results underscore the effectiveness of SAAD, demonstrating its potential for broad application in various domains, including automotive systems.
• Abstract（参考訳）: 本稿では,SAADと呼ばれる新しい異常検出手法を提案する。 SAADアプローチは、高度な統計技術と機械学習を統合し、その有効性は、自動車領域内のハードウェア・イン・ザ・ループ(HIL)環境からの実センサデータを検証することによって実証される。 SAADの重要な革新は、ドロップアウト層によって強化されたFCN(Fully Connected Networks)と組み合わせることで、異常検出の精度と堅牢性を大幅に向上する能力である。 総合的な実験的評価では、スタンドアロン統計手法は72.1%の精度を達成し、ディープラーニングモデルは71.5%の精度を達成している。 対照的に、集約された手法は88.3%の精度、F1スコア0.921の精度を実現し、個々のモデルよりも優れている。 これらの結果はSAADの有効性を浮き彫りにし、自動車システムを含む様々な分野への応用の可能性を示している。

関連論文リスト

• Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
  条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。 モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。 さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
  論文  参考訳（メタデータ） (2024-10-16T07:48:53Z)
• An Empirical Study of Uncertainty Estimation Techniques for Detecting Drift in Data Streams [4.818865062632567]
  本研究では,ドリフト検出における誤差率の代用として不確実性値を用いた総合的な実験的検討を行った。 実世界の7つのデータセットにまたがるADWIN検出器を用いた5つの不確実性推定手法について検討した。 その結果、SWAG法はキャリブレーションが優れているが、ドリフト検出の全体的な精度は不確実性推定法の選択によって顕著に影響しないことが明らかとなった。
  論文  参考訳（メタデータ） (2023-11-22T13:17:55Z)
• AUTO: Adaptive Outlier Optimization for Online Test-Time OOD Detection [81.49353397201887]
  オープンソースアプリケーションに機械学習モデルをデプロイするには、アウト・オブ・ディストリビューション(OOD)検出が不可欠だ。 我々は、未ラベルのオンラインデータをテスト時に直接利用してOOD検出性能を向上させる、テスト時OOD検出と呼ばれる新しいパラダイムを導入する。 本稿では,入出力フィルタ,IDメモリバンク,意味的に一貫性のある目的からなる適応外乱最適化(AUTO)を提案する。
  論文  参考訳（メタデータ） (2023-03-22T02:28:54Z)
• A Computer Vision Enabled damage detection model with improved YOLOv5 based on Transformer Prediction Head [0.0]
  現在の最先端ディープラーニング(DL)に基づく損傷検出モデルは、複雑でノイズの多い環境では優れた特徴抽出能力を欠いていることが多い。 DenseSPH-YOLOv5は、DenseNetブロックをバックボーンに統合したリアルタイムDLベースの高性能損傷検出モデルである。 DenseSPH-YOLOv5は平均平均精度(mAP)が85.25%、F1スコアが81.18%、精度(P)が89.51%である。
  論文  参考訳（メタデータ） (2023-03-07T22:53:36Z)
• Predicted Embedding Power Regression for Large-Scale Out-of-Distribution Detection [77.1596426383046]
  本研究では,学習過程において学習したラベル分布に基づいて,予測されたクラスラベルの確率を計算する手法を開発した。 提案手法は,計算コストの最小化のみで,現在の最先端手法よりも優れた性能を発揮する。
  論文  参考訳（メタデータ） (2023-03-07T18:28:39Z)
• Practical Recommendations for the Design of Automatic Fault Detection Algorithms Based on Experiments with Field Monitoring Data [0.0]
  自動故障検出(AFD)は太陽光発電システムポートフォリオの運用と保守を最適化するための重要な技術である。 本研究では,ドイツに設置した80基の屋上型PVシステムにおいて58ヶ月以上にわたって収集されたモニタリングデータを用いて,実運転条件下で一連のAFDアルゴリズムを検証した。 その結果、この種のAFDアルゴリズムは、90%以上の特異性を持つエネルギー損失の82.8%を検出できる可能性が示された。
  論文  参考訳（メタデータ） (2022-03-02T13:43:17Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Provable Guarantees for Understanding Out-of-distribution Detection [13.36367318623728]
  我々は,OOD検出の理論的理解を特徴付ける分析フレームワークを開発した。 我々のフレームワークは,ニューラルネットワークの新たなOOD検出手法であるGEMを動機付け,理論的および経験的優位性を実証する。
  論文  参考訳（メタデータ） (2021-12-01T19:18:43Z)
• Towards Reducing Labeling Cost in Deep Object Detection [61.010693873330446]
  本稿では,検知器の不確実性と頑健性の両方を考慮した,アクティブラーニングのための統一的なフレームワークを提案する。 提案手法は, 確率分布のドリフトを抑えながら, 極めて確実な予測を擬似ラベル化することができる。
  論文  参考訳（メタデータ） (2021-06-22T16:53:09Z)
• 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)
• piSAAC: Extended notion of SAAC feature selection novel method for discrimination of Enzymes model using different machine learning algorithm [13.921567068182132]
  piSAACという新しい分割アミノ酸合成モデルを提案する。 タンパク質配列は等しくバランスの取れた末端で識別され、配列の固有相関性を完全に評価する。
  論文  参考訳（メタデータ） (2020-12-16T03:45:21Z)

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。