論文の概要: A method to benchmark high-dimensional process drift detection
- arxiv url: http://arxiv.org/abs/2409.03669v2
- Date: Thu, 05 Dec 2024 18:56:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-06 14:38:46.155381
- Title: A method to benchmark high-dimensional process drift detection
- Title(参考訳): 高次元プロセスドリフト検出のベンチマーク法
- Authors: Edgar Wolf, Tobias Windisch,
- Abstract要約: 本稿では,プロセス曲線データセットのドリフトを検出する機械学習について検討する。
制御された方法でプロセス曲線を合成的に生成する理論的枠組みを導入する。
曲線下の時間領域と呼ばれる評価スコアを導入する。
- 参考スコア(独自算出の注目度): 0.0
- License:
- Abstract: Process curves are multivariate finite time series data coming from manufacturing processes. This paper studies machine learning that detect drifts in process curve datasets. A theoretic framework to synthetically generate process curves in a controlled way is introduced in order to benchmark machine learning algorithms for process drift detection. An evaluation score, called the temporal area under the curve, is introduced, which allows to quantify how well machine learning models unveil curves belonging to drift segments. Finally, a benchmark study comparing popular machine learning approaches on synthetic data generated with the introduced framework is presented that shows that existing algorithms often struggle with datasets containing multiple drift segments.
- Abstract(参考訳): プロセス曲線は製造プロセスから得られる有限時系列データの多変量である。
本稿では,プロセス曲線データセットのドリフトを検出する機械学習について検討する。
プロセスドリフト検出のための機械学習アルゴリズムをベンチマークするために、制御された方法でプロセス曲線を合成的に生成する理論フレームワークを導入する。
曲線の下の時間領域と呼ばれる評価スコアを導入し、機械学習モデルがドリフトセグメントに属する曲線をどれだけうまく提示するかを定量化する。
最後に、導入したフレームワークで生成された合成データに対する一般的な機械学習アプローチを比較したベンチマーク研究を行い、既存のアルゴリズムが複数のドリフトセグメントを含むデータセットとしばしば競合することを示した。
関連論文リスト
- Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳(メタデータ) (2024-01-11T10:10:16Z) - An Automated Machine Learning Approach for Detecting Anomalous Peak
Patterns in Time Series Data from a Research Watershed in the Northeastern
United States Critical Zone [3.1747517745997014]
本稿では,米国北東部臨界水域におけるセンサによる時系列データの異常検出を支援する機械学習フレームワークを提案する。
このフレームワークは特に、センサーの故障や自然現象から生じるピークパターンの異常を識別することに焦点を当てている。
論文 参考訳(メタデータ) (2023-09-14T19:07:50Z) - Sequential Monte Carlo Learning for Time Series Structure Discovery [17.964180907602657]
逐次モンテカルロとインボリューティブMCMCを統合した構造学習アルゴリズムを提案する。
本手法は, 時系列に新しいデータを組み込んだ「オンライン」設定と, 「オフライン」設定の両方で使用することができる。
論文 参考訳(メタデータ) (2023-07-13T16:38:01Z) - Grain and Grain Boundary Segmentation using Machine Learning with Real
and Generated Datasets [0.0]
畳み込みニューラルネットワーク(CNN)を用いた粒界セグメンテーション
ランダムな合成ノイズと模擬欠陥を併用したボロノイ焼成パターンを開発し, 新規な造粒法を開発した。
論文 参考訳(メタデータ) (2023-07-12T04:38:44Z) - Multi-Linear Kernel Regression and Imputation in Data Manifolds [12.15802365851407]
本稿では、データ回帰とインプットのための効率的なマルチ線形非パラメトリック近似フレームワークとその動的磁気共鳴イメージング(dMRI)への応用について紹介する。
データ特徴は、ヒルベルト空間を再現するカーネルに埋め込まれた滑らかな多様体に、あるいは近くに存在すると仮定される。ランドマーク点は、接空間の概念を滑らかに模倣する線形近似パッチにより、特徴の点雲を記述するために特定される。
マルチ線形モデルは次元の削減に影響を及ぼし、効率的な計算を可能にし、トレーニングデータや追加情報なしでデータパターンとその幾何学を抽出する。
論文 参考訳(メタデータ) (2023-04-06T12:58:52Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳(メタデータ) (2021-11-03T03:50:48Z) - Row-clustering of a Point Process-valued Matrix [2.0391237204597363]
本稿では,このような行列の対数ガウスコックス過程とクラスタ列をマークした行列について検討する。
点過程の関数主成分分析(FPCA)と組み合わせた半パラメトリック期待解(ES)アルゴリズムをモデル推定のために提案する。
提案手法の有効性をシミュレーション研究と実データ解析により実証した。
論文 参考訳(メタデータ) (2021-10-04T06:27:26Z) - Deep Cellular Recurrent Network for Efficient Analysis of Time-Series
Data with Spatial Information [52.635997570873194]
本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。
提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
論文 参考訳(メタデータ) (2021-01-12T20:08:18Z) - Process Discovery for Structured Program Synthesis [70.29027202357385]
プロセスマイニングにおける中核的なタスクは、イベントログデータから正確なプロセスモデルを学ぶことを目的としたプロセス発見である。
本稿では,ターゲットプロセスモデルとして(ブロック-)構造化プログラムを直接使用することを提案する。
我々は,このような構造化プログラムプロセスモデルの発見に対して,新たなボトムアップ・アグリメティブ・アプローチを開発する。
論文 参考訳(メタデータ) (2020-08-13T10:33:10Z) - Learning to predict metal deformations in hot-rolling processes [59.00006390882099]
ホットローリング(Hot-rolling)は、入力から一連の変形を通じて断面を生成する金属成形プロセスである。
現状では、ロールの回転列と形状は、与えられた断面を達成するために必要である。
そこで本研究では,一組のロールが与えられた形状を予測するための教師付き学習手法を提案する。
論文 参考訳(メタデータ) (2020-07-22T13:33:44Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。