論文の概要: Multivariate Data Augmentation for Predictive Maintenance using Diffusion

• arxiv url: http://arxiv.org/abs/2411.05848v1
• Date: Wed, 06 Nov 2024 16:57:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:08:37.646181
• Title: Multivariate Data Augmentation for Predictive Maintenance using Diffusion
• Title（参考訳）: 拡散を用いた予測保守のための多変量データ拡張
• Authors: Andrew Thompson, Alexander Sommers, Alicia Russell-Gilbert, Logan Cummins, Sudip Mittal, Shahram Rahimi, Maria Seale, Joseph Jaboure, Thomas Arnold, Joshua Church,
• Abstract要約: 予測メンテナンスは、産業、医療、金融分野におけるシステムの修復を最適化するために使われてきた。 これらのモデルをトレーニングするフォールトデータがないのは、フォールトの発生とダウンタイムを最小限に抑えるために取り組んでいる組織のためです。 新たにインストールされたシステムでは、障害データがまだ存在しないため、障害データは存在しない。
• 参考スコア（独自算出の注目度）: 35.286105732902065
• License:
• Abstract: Predictive maintenance has been used to optimize system repairs in the industrial, medical, and financial domains. This technique relies on the consistent ability to detect and predict anomalies in critical systems. AI models have been trained to detect system faults, improving predictive maintenance efficiency. Typically there is a lack of fault data to train these models, due to organizations working to keep fault occurrences and down time to a minimum. For newly installed systems, no fault data exists since they have yet to fail. By using diffusion models for synthetic data generation, the complex training datasets for these predictive models can be supplemented with high level synthetic fault data to improve their performance in anomaly detection. By learning the relationship between healthy and faulty data in similar systems, a diffusion model can attempt to apply that relationship to healthy data of a newly installed system that has no fault data. The diffusion model would then be able to generate useful fault data for the new system, and enable predictive models to be trained for predictive maintenance. The following paper demonstrates a system for generating useful, multivariate synthetic data for predictive maintenance, and how it can be applied to systems that have yet to fail.
• Abstract（参考訳）: 予測メンテナンスは、産業、医療、金融分野におけるシステムの修復を最適化するために使われてきた。 この手法は、臨界系の異常を検出し予測する一貫した能力に依存している。 AIモデルは、システム障害を検出し、予測メンテナンス効率を改善するために訓練されている。 通常、これらのモデルをトレーニングするフォールトデータが欠如しています。 新たにインストールされたシステムでは、障害データがまだ存在しないため、障害データは存在しない。 合成データ生成のための拡散モデルを用いることで、これらの予測モデルのための複雑なトレーニングデータセットに高レベルの合成故障データを補足することにより、異常検出の性能を向上させることができる。 類似システムにおける健全なデータと不良データの関係を学習することにより、拡散モデルは、障害データを持たない新規にインストールされたシステムの健全なデータにその関係を適用しようとすることができる。 拡散モデルは、新しいシステムに有用なフォールトデータを生成し、予測モデルを予測保守のためにトレーニングすることができる。 下記の論文は、予測保守に有用な多変量合成データを生成するシステムと、まだ失敗していないシステムにどのように適用できるかを示す。

関連論文リスト

• Fairness Feedback Loops: Training on Synthetic Data Amplifies Bias [47.79659355705916]
  モデル誘導分散シフト(MIDS)は、以前のモデルが代々のモデルに対して汚染された新しいモデルトレーニングセットを出力するときに発生する。 我々は,複数世代にわたるMIDSの追跡を可能にするフレームワークを導入し,性能,公平性,少数化グループ表現の損失につながることを確認した。 これらの否定的な結果にもかかわらず、モデルがデータエコシステムにおけるポジティブで意図的な介入にどのように使用されるかを特定します。
  論文  参考訳（メタデータ） (2024-03-12T17:48:08Z)
• Root Causing Prediction Anomalies Using Explainable AI [3.970146574042422]
  本稿では,機械学習モデルにおける根源的性能劣化に対する説明可能なAI(XAI)の新たな応用法を提案する。 単一機能の破損は、カスケード機能、ラベル、コンセプトドリフトを引き起こす可能性がある。 我々は、パーソナライズされた広告に使用されるモデルの信頼性を向上させるために、この手法をうまく応用した。
  論文  参考訳（メタデータ） (2024-03-04T19:38:50Z)
• A hybrid feature learning approach based on convolutional kernels for ATM fault prediction using event-log data [5.859431341476405]
  イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。 提案手法は,実世界の重要な収集データセットに適用される。 このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
  論文  参考訳（メタデータ） (2023-05-17T08:55:53Z)
• A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
  機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。 本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。 本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
  論文  参考訳（メタデータ） (2023-01-31T16:12:26Z)
• Resilient Neural Forecasting Systems [10.709321760368137]
  産業用機械学習システムは、学術文献でしばしば過小評価されるデータ課題に直面している。 本稿では、労働計画におけるニューラル予測アプリケーションのコンテキストにおけるデータ課題と解決策について論じる。 本稿では,周期的リトレーニング方式によるデータ分布の変化に対処し,この設定におけるモデル安定性の重要性について論じる。
  論文  参考訳（メタデータ） (2022-03-16T09:37:49Z)
• Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
  トレーニングセットとその構造が長期予測の品質に与える影響を考察する。 トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
  論文  参考訳（メタデータ） (2021-12-15T20:09:20Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• Using Data Assimilation to Train a Hybrid Forecast System that Combines Machine-Learning and Knowledge-Based Components [52.77024349608834]
  利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。 動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
  論文  参考訳（メタデータ） (2021-02-15T19:56:48Z)
• How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
  本稿では,トレーニングデータの密度と制御性能の関係を考察する。 データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。 フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
  論文  参考訳（メタデータ） (2020-05-25T12:13:49Z)

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。