論文の概要: A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series

• arxiv url: http://arxiv.org/abs/2407.02861v2
• Date: Mon, 02 Dec 2024 16:04:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-03 16:54:40.061404
• Title: A Self-Supervised Task for Fault Detection in Satellite Multivariate Time Series
• Title（参考訳）: 衛星多変量時系列における異常検出のための自己監督タスク
• Authors: Carlo Cena, Silvia Bucci, Alessandro Balossino, Marcello Chiaberge,
• Abstract要約: この研究は、複雑な分布と高次元分布をモデル化する能力で有名な物理インフォームドリアルNVPニューラルネットワークを活用する新しいアプローチを提案する。 実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。 結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。
• 参考スコア（独自算出の注目度）: 45.31237646796715
• License:
• Abstract: In the space sector, due to environmental conditions and restricted accessibility, robust fault detection methods are imperative for ensuring mission success and safeguarding valuable assets. This work proposes a novel approach leveraging Physics-Informed Real NVP neural networks, renowned for their ability to model complex and high-dimensional distributions, augmented with a self-supervised task based on sensors' data permutation. It focuses on enhancing fault detection within the satellite multivariate time series. The experiments involve various configurations, including pre-training with self-supervision, multi-task learning, and standalone self-supervised training. Results indicate significant performance improvements across all settings. In particular, employing only the self-supervised loss yields the best overall results, suggesting its efficacy in guiding the network to extract relevant features for fault detection. This study presents a promising direction for improving fault detection in space systems and warrants further exploration in other datasets and applications.
• Abstract（参考訳）: 宇宙セクターでは、環境条件やアクセシビリティの制限により、ロバストな断層検出手法がミッション成功の確保と貴重な資産の保護に不可欠である。 本研究は,センサのデータ置換に基づく自己教師型タスクを付加し,複雑な分布と高次元分布をモデル化できることで有名である物理インフォームドリアルNVPニューラルネットワークを活用した新しいアプローチを提案する。 衛星多変量時系列における断層検出の強化に焦点を当てている。 実験には、セルフスーパービジョンによる事前トレーニング、マルチタスク学習、スタンドアロンのセルフ教師付きトレーニングなど、さまざまな構成が含まれている。 結果は、すべての設定で大幅にパフォーマンスが向上したことを示している。 特に、自己監督的損失のみを用いると、最も優れた総合的な結果が得られるため、ネットワークに障害検出に関連する特徴を抽出するよう誘導する効果が示唆される。 本研究は、宇宙システムにおける故障検出を改善するための有望な方向を示し、他のデータセットやアプリケーションでのさらなる探索を保証している。

関連論文リスト

• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• A Comparison of Deep Learning Architectures for Spacecraft Anomaly Detection [0.138120109831448]
  本研究では,宇宙船データの異常検出における各種ディープラーニングアーキテクチャの有効性を比較することを目的とする。 調査中のモデルには、畳み込みニューラルネットワーク(CNN)、リカレントニューラルネットワーク(RNN)、Long Short-Term Memory(LSTM)ネットワーク、Transformerベースのアーキテクチャなどがある。
  論文  参考訳（メタデータ） (2024-03-19T16:08:27Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• Online Anomalous Subtrajectory Detection on Road Networks with Deep Reinforcement Learning [38.71141801699763]
  我々はRL4OASDと呼ばれる新しい強化学習ベースのソリューションを提案する。 RL4OASDには2つのネットワークがあり、1つは道路ネットワークと軌道の特徴を学習し、もう1つは異常なサブ軌道を検出する。
  論文  参考訳（メタデータ） (2022-11-12T15:17:57Z)
• DI-NIDS: Domain Invariant Network Intrusion Detection System [9.481792073140204]
  コンピュータビジョンなどの様々な応用において、ドメイン適応技術は成功している。 しかし、ネットワーク侵入検出の場合、最先端のドメイン適応アプローチは成功に留まっている。 本稿では,複数のネットワークドメインから対数領域適応を用いて,ドメイン不変な特徴を抽出する。
  論文  参考訳（メタデータ） (2022-10-15T10:26:22Z)
• Evaluating the Label Efficiency of Contrastive Self-Supervised Learning for Multi-Resolution Satellite Imagery [0.0]
  遠隔センシング領域における自己教師付き学習は、容易に利用可能なラベル付きデータを活用するために応用されている。 本稿では,ラベル効率のレンズを用いた自己教師型視覚表現学習について検討する。
  論文  参考訳（メタデータ） (2022-10-13T06:54:13Z)
• 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)
• 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)
• Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
  教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。 提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
  論文  参考訳（メタデータ） (2021-03-01T01:43:04Z)
• AutoOD: Automated Outlier Detection via Curiosity-guided Search and Self-imitation Learning [72.99415402575886]
  外乱検出は重要なデータマイニングの課題であり、多くの実用的応用がある。 本稿では,最適なニューラルネットワークモデルを探すことを目的とした自動外乱検出フレームワークであるAutoODを提案する。 さまざまな実世界のベンチマークデータセットに対する実験結果から、AutoODが特定したディープモデルが最高のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-06-19T18:57:51Z)

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。