論文の概要: Machine learning-driven Anomaly Detection and Forecasting for Euclid Space Telescope Operations

• arxiv url: http://arxiv.org/abs/2411.05596v1
• Date: Fri, 08 Nov 2024 14:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:53:38.730949
• Title: Machine learning-driven Anomaly Detection and Forecasting for Euclid Space Telescope Operations
• Title（参考訳）: ユークリッド宇宙望遠鏡の機械学習による異常検出と予測
• Authors: Pablo Gómez, Roland D. Vavrek, Guillermo Buenadicha, John Hoar, Sandor Kruk, Jan Reerink,
• Abstract要約: 最先端の宇宙科学ミッションは、ますます自動化に依存している。 ユークリッド宇宙望遠鏡は2024年2月以来の探査段階にあり、このシフトを実証している。 我々はXGBoostモデルを用いて、過去の値に基づいて温度を予測し、異常を予測から逸脱として検出する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: State-of-the-art space science missions increasingly rely on automation due to spacecraft complexity and the costs of human oversight. The high volume of data, including scientific and telemetry data, makes manual inspection challenging. Machine learning offers significant potential to meet these demands. The Euclid space telescope, in its survey phase since February 2024, exemplifies this shift. Euclid's success depends on accurate monitoring and interpretation of housekeeping telemetry and science-derived data. Thousands of telemetry parameters, monitored as time series, may or may not impact the quality of scientific data. These parameters have complex interdependencies, often due to physical relationships (e.g., proximity of temperature sensors). Optimising science operations requires careful anomaly detection and identification of hidden parameter states. Moreover, understanding the interactions between known anomalies and physical quantities is crucial yet complex, as related parameters may display anomalies with varied timing and intensity. We address these challenges by analysing temperature anomalies in Euclid's telemetry from February to August 2024, focusing on eleven temperature parameters and 35 covariates. We use a predictive XGBoost model to forecast temperatures based on historical values, detecting anomalies as deviations from predictions. A second XGBoost model predicts anomalies from covariates, capturing their relationships to temperature anomalies. We identify the top three anomalies per parameter and analyse their interactions with covariates using SHAP (Shapley Additive Explanations), enabling rapid, automated analysis of complex parameter relationships. Our method demonstrates how machine learning can enhance telemetry monitoring, offering scalable solutions for other missions with similar data challenges.
• Abstract（参考訳）: 最先端の宇宙科学ミッションは、宇宙船の複雑さと人間の監視コストによる自動化にますます依存している。 科学データやテレメトリデータを含む大量のデータは、手動検査を困難にしている。 機械学習はこれらの要求を満たす大きな可能性を秘めている。 ユークリッド宇宙望遠鏡は2024年2月以来の探査段階にあり、このシフトを実証している。 ユークリッドの成功は、家事テレメトリと科学に基づくデータの正確なモニタリングと解釈に依存している。 時系列として監視される何千ものテレメトリパラメータは、科学データの品質に影響を及ぼすかもしれないし、影響しないかもしれない。 これらのパラメータは複雑な相互依存性を持ち、しばしば物理的関係(例えば温度センサーの近接)によって引き起こされる。 科学操作の最適化には、注意深い異常検出と隠れパラメータ状態の同定が必要である。 さらに、既知の異常と物理量の間の相互作用を理解することは極めて複雑であり、関連するパラメータは時間と強度の異なる異常を表示することができる。 2024年2月から8月にかけて、ユークリッドのテレメトリーにおける温度異常を分析し、11の温度パラメータと35の共変量に着目した。 我々はXGBoostモデルを用いて、過去の値に基づいて温度を予測し、異常を予測から逸脱として検出する。 第2のXGBoostモデルは共変量から異常を予測し、温度異常との関係を捉える。 パラメータ毎に上位3つの異常を特定し、SHAP(Shapley Additive Explanations)を用いて共変量との相互作用を分析し、複雑なパラメータ関係の迅速かつ自動解析を可能にする。 提案手法は,機械学習が遠隔計測のモニタリングを強化し,類似したデータ課題を伴う他のミッションに対するスケーラブルなソリューションを提供することを実証する。

関連論文リスト

• Causal Representation Learning in Temporal Data via Single-Parent Decoding [66.34294989334728]
  科学的研究はしばしば、システム内の高レベル変数の根底にある因果構造を理解しようとする。 科学者は通常、地理的に分布した温度測定などの低レベルの測定を収集する。 そこで本研究では,単一親の復号化による因果発見法を提案し,その上で下位の潜伏者と因果グラフを同時に学習する。
  論文  参考訳（メタデータ） (2024-10-09T15:57:50Z)
• Real-time gravitational-wave inference for binary neutron stars using machine learning [71.29593576787549]
  近似を行なわずに1秒で完全なBNS推論を行う機械学習フレームワークを提案する。 本手法は, (i) 合併前の正確な局所化を提供することにより, (i) 近似低遅延法と比較して, (ii) 局所化精度を$sim30%$で改善すること, (iii) 光度距離, 傾斜, 質量に関する詳細な情報を提供することにより, (i) マルチメーサの観測を向上する。
  論文  参考訳（メタデータ） (2024-07-12T18:00:02Z)
• Smoke and Mirrors in Causal Downstream Tasks [59.90654397037007]
  本稿では, 治療効果推定の因果推論タスクについて検討し, 高次元観察において利害関係が記録されている。 最先端の視覚バックボーンから微調整した6つの480モデルを比較し、サンプリングとモデリングの選択が因果推定の精度に大きく影響することを発見した。 以上の結果から,今後のベンチマークでは,下流の科学的問題,特に因果的な問題について慎重に検討すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T13:26:34Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Detecting and Diagnosing Terrestrial Gravitational-Wave Mimics Through Feature Learning [0.7388859384645262]
  本稿では,超複雑系の突発的過渡異常を検知し,特徴付ける手法の実証について述べる。 重力波の発見を制限する問題の1つは、地球起源のノイズアーティファクトである。 我々は,高度に解釈可能な畳み込み分類器が,補助検出器データから過渡的異常を自動的に検出する方法を示す。
  論文  参考訳（メタデータ） (2022-03-09T23:39:41Z)
• Architectural Optimization and Feature Learning for High-Dimensional Time Series Datasets [0.7388859384645262]
  重力波検出器における過渡ノイズアーチファクトの存在を予測する問題について検討する。 従来の技術と比較して誤差率を60%以上削減するモデルを導入する。
  論文  参考訳（メタデータ） (2022-02-27T23:41:23Z)
• Encoding Causal Macrovariables [0.0]
  多くの科学分野において、よりきめ細かい系の力学を説明・予測するために粗粒因果モデルが用いられる。 この研究は、マイクロステート間の情報ボトルネックとして因果マクロ変数の新たな特徴化にインスパイアされた、新しいアルゴリズム的アプローチを導入する。
  論文  参考訳（メタデータ） (2021-11-29T17:25:11Z)
• 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 Neural Network-Based Anomaly Detection in Multivariate Time Series [17.414474298706416]
  我々は,高次元時系列データにおける異常を検出する新しい方法を開発した。 我々のアプローチは、構造学習アプローチとグラフニューラルネットワークを組み合わせている。 本研究では,本手法がベースラインアプローチよりも高精度に異常を検出することを示す。
  論文  参考訳（メタデータ） (2021-06-13T09:07:30Z)
• Unsupervised machine learning of topological phase transitions from experimental data [52.77024349608834]
  超低温原子からの実験データに教師なし機械学習技術を適用する。 我々は、完全にバイアスのない方法で、ハルダンモデルの位相位相図を得る。 我々の研究は、複雑な多体系における新しいエキゾチック位相の教師なし検出のためのベンチマークを提供する。
  論文  参考訳（メタデータ） (2021-01-14T16:38:21Z)
• Machine Learning for Robust Identification of Complex Nonlinear Dynamical Systems: Applications to Earth Systems Modeling [8.896888286819635]
  カオスを示すシステムは地球科学の至るところに分布している。 システム同定は、気候科学における課題である。 我々は,気候科学におけるベンチマークモデルとして,2レベルロレンツ-96のカオスシステムを考える。
  論文  参考訳（メタデータ） (2020-08-12T22:37:12Z)

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。