論文の概要: The OPS-SAT benchmark for detecting anomalies in satellite telemetry

• arxiv url: http://arxiv.org/abs/2407.04730v1
• Date: Sat, 29 Jun 2024 11:12:22 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 16:25:52.665906
• Title: The OPS-SAT benchmark for detecting anomalies in satellite telemetry
• Title（参考訳）: 衛星テレメトリにおける異常検出のためのOPS-SATベンチマーク
• Authors: Bogdan Ruszczak, Krzysztof Kotowski, David Evans, Jakub Nalepa,
• Abstract要約: OPS-SATで取得したテレメトリデータを含むAI-Readyベンチマークデータセット(OPSSAT-AD)を紹介する。 OPSSAT-ADは、異常検出のための30の教師付き、教師なしの古典的および深層機械学習アルゴリズムを用いて得られるベースライン結果に付随する。
• 参考スコア（独自算出の注目度）: 8.851378726587487
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Detecting anomalous events in satellite telemetry is a critical task in space operations. This task, however, is extremely time-consuming, error-prone and human dependent, thus automated data-driven anomaly detection algorithms have been emerging at a steady pace. However, there are no publicly available datasets of real satellite telemetry accompanied with the ground-truth annotations that could be used to train and verify anomaly detection supervised models. In this article, we address this research gap and introduce the AI-ready benchmark dataset (OPSSAT-AD) containing the telemetry data acquired on board OPS-SAT -- a CubeSat mission which has been operated by the European Space Agency which has come to an end during the night of 22--23 May 2024 (CEST). The dataset is accompanied with the baseline results obtained using 30 supervised and unsupervised classic and deep machine learning algorithms for anomaly detection. They were trained and validated using the training-test dataset split introduced in this work, and we present a suggested set of quality metrics which should be always calculated to confront the new algorithms for anomaly detection while exploiting OPSSAT-AD. We believe that this work may become an important step toward building a fair, reproducible and objective validation procedure that can be used to quantify the capabilities of the emerging anomaly detection techniques in an unbiased and fully transparent way.
• Abstract（参考訳）: 衛星テレメトリーにおける異常事象の検出は、宇宙活動において重要な課題である。 しかし、このタスクは非常に時間がかかり、エラーが発生し、人間に依存しているため、自動データ駆動の異常検出アルゴリズムは安定したペースで出現している。 しかし、実際の衛星テレメトリのデータセットは公開されておらず、地上の真実のアノテーションを伴って、異常検出監視モデルのトレーニングと検証に使用できる。 本稿では,欧州宇宙機関(ESA)が2024年5月22-23日の夜に実施したキューブサットミッションであるOPS-SATで取得したテレメトリデータを含む,AI対応ベンチマークデータセット(OPSSAT-AD)を紹介する。 データセットには、異常検出のための30の教師付き、教師なしの古典的および深層機械学習アルゴリズムを使用して得られるベースライン結果が添付されている。 本研究で導入されたトレーニング-テストデータセットスプリットを用いて、トレーニングと検証を行い、OPSSAT-ADを利用して、新しい検出アルゴリズムに対応するために常に計算すべき品質指標のセットを提案する。 我々は、この研究が、不偏で完全に透明な方法で出現する異常検出技術の能力の定量化に使用できる、公正で再現可能な客観的な検証手順を構築するための重要なステップになると信じている。

関連論文リスト

• European Space Agency Benchmark for Anomaly Detection in Satellite Telemetry [2.0880207832785436]
  欧州宇宙機関の衛星テレメトリにおける異常検出ベンチマーク(ESA-ADB)は、この領域に新しい標準を確立することを目的としている。 新たに導入されたESA異常データセットには、3つのESAミッションからの注釈付き実生活テレメトリが含まれている。 新しい階層的評価パイプラインで評価された典型的な異常検出アルゴリズムの結果は、演算子のニーズに対処するために新しいアプローチが必要であることを示している。
  論文  参考訳（メタデータ） (2024-06-25T13:23:37Z)
• Anomaly Detection of Tabular Data Using LLMs [54.470648484612866]
  我々は,事前訓練された大規模言語モデル (LLM) がゼロショットバッチレベルの異常検出器であることを示す。 本稿では,実異常検出におけるLCMの潜在性を明らかにするために,エンドツーエンドの微調整手法を提案する。
  論文  参考訳（メタデータ） (2024-06-24T04:17:03Z)
• 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)
• 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)
• Sintel: A Machine Learning Framework to Extract Insights from Signals [13.04826679898367]
  Sintelは、異常検出などのエンドツーエンドの時系列タスクのための機械学習フレームワークである。 Sintelは異常検出の全ジャーニーをログし、時間とともに異常の詳細なドキュメントを提供する。 ユーザは、インタラクティブな視覚化ツールを使って、信号を分析し、メソッドを比較し、異常を調査できる。
  論文  参考訳（メタデータ） (2022-04-19T19:38:27Z)
• Meta-learning with GANs for anomaly detection, with deployment in high-speed rail inspection system [7.220842608593749]
  ビッグデータによるAI時代における異常検出の主な課題は、潜在的な異常タイプに関する事前知識の欠如である。 本稿では,GAN(Generative Adversarial Network)の概念を,損失関数の適切な選択に取り入れる。 当社のフレームワークは2021年以降、中国の5つの高速鉄道に配備されており、99.7%以上の作業負荷を削減し、96.7%の検査時間を節約している。
  論文  参考訳（メタデータ） (2022-02-11T17:43:49Z)
• Rethinking Drone-Based Search and Rescue with Aerial Person Detection [79.76669658740902]
  航空ドローンの映像の視覚検査は、現在土地捜索救助(SAR)活動に不可欠な部分である。 本稿では,この空中人物検出(APD)タスクを自動化するための新しいディープラーニングアルゴリズムを提案する。 本稿では,Aerial Inspection RetinaNet (AIR) アルゴリズムについて述べる。
  論文  参考訳（メタデータ） (2021-11-17T21:48:31Z)
• 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)
• Graph Convolutional Networks for traffic anomaly [4.172516437934823]
  イベント検出は輸送において重要なタスクであり、そのタスクは大規模なイベントが都市交通ネットワークの大部分を破壊した時点のポイントを検出することである。 空間的および時間的交通パターンを完全に把握することは課題であるが、効果的な異常検出には重要な役割を果たす。 我々は, 交通条件を表す有向重み付きグラフ群において, 時間間隔毎に異常を検知する新しい手法で問題を定式化する。
  論文  参考訳（メタデータ） (2020-12-25T22:36:22Z)
• 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)

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。