論文の概要: Real-time Anomaly Detection at the L1 Trigger of CMS Experiment

• arxiv url: http://arxiv.org/abs/2411.19506v1
• Date: Fri, 29 Nov 2024 06:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-02 15:18:22.334295
• Title: Real-time Anomaly Detection at the L1 Trigger of CMS Experiment
• Title（参考訳）: CMS実験L1トリガーにおけるリアルタイム異常検出
• Authors: Abhijith Gandrakota,
• Abstract要約: LHC Run 3におけるCMS実験GT(Global Trigger)テストクレートFPGAにおける新しい物理シグネチャのバイアスのない検出のために訓練されたオートエンコーダを提案する。 GTは、50 nsのレイテンシで40MHzの速度で発生する各LHC衝突からのデータの読み出しまたは破棄を最終決定する。 本稿では,超低レイテンシ異常検出を実現する手法について述べるとともに,ニューラルネットワークのGTテストクレートへの統合,およびプロトン衝突時のアルゴリズムの監視,テスト,検証について述べる。
• 参考スコア（独自算出の注目度）: 0.715391338101346
• License:
• Abstract: We present the preparation, deployment, and testing of an autoencoder trained for unbiased detection of new physics signatures in the CMS experiment Global Trigger (GT) test crate FPGAs during LHC Run 3. The GT makes the final decision whether to readout or discard the data from each LHC collision, which occur at a rate of 40 MHz, within a 50 ns latency. The Neural Network makes a prediction for each event within these constraints, which can be used to select anomalous events for further analysis. The GT test crate is a copy of the main GT system, receiving the same input data, but whose output is not used to trigger the readout of CMS, providing a platform for thorough testing of new trigger algorithms on live data, but without interrupting data taking. We describe the methodology to achieve ultra low latency anomaly detection, and present the integration of the DNN into the GT test crate, as well as the monitoring, testing, and validation of the algorithm during proton collisions.
• Abstract（参考訳）: LHC Run 3 における CMS 実験 Global Trigger (GT) test crate FPGA における新しい物理シグネチャの偏りのない検出のために訓練されたオートエンコーダの作成,展開,およびテストについて述べる。 GTは、50 nsのレイテンシで40MHzの速度で発生する各LHC衝突からのデータの読み出しまたは破棄を最終決定する。 ニューラルネットワークは、これらの制約の中で各イベントを予測し、さらなる分析のために異常イベントを選択するために使用することができる。 GTテストクレートはメインのGTシステムのコピーであり、同じ入力データを受信するが、出力はCMSの読み出しに使用されず、ライブデータ上で新しいトリガアルゴリズムを徹底的にテストするプラットフォームを提供する。 本稿では,超低レイテンシ異常検出を実現する手法について述べるとともに,DNNのGTテストクレートへの統合,およびプロトン衝突時のアルゴリズムの監視,テスト,検証について述べる。

関連論文リスト

• Spatio-Temporal Anomaly Detection with Graph Networks for Data Quality Monitoring of the Hadron Calorimeter [1.1420116121141344]
  CMS実験はCERNの大型ハドロン衝突型加速器(HCL)における高エネルギー衝突のための汎用検出器である。 オンラインデータ品質監視(DQM)システムを使用して、データ品質の損失を避けるために、素粒子データ取得問題を素早く発見し、診断する。 本稿では、畳み込みニューラルネットワークとグラフニューラルネットワークを用いて、検出器を横断する粒子によって引き起こされる局所的な空間特性を学習するGraphSTADシステムを提案する。
  論文  参考訳（メタデータ） (2023-11-07T18:33:08Z)
• Autoencoder-based Anomaly Detection System for Online Data Quality Monitoring of the CMS Electromagnetic Calorimeter [0.0]
  半教師付き機械学習を用いたリアルタイムオートエンコーダによる異常検出システムを提案する。 異常の時間依存性の進化を利用して異常検出性能を最大化する新しい手法を提案する。 システムの性能は、2018年と2022年のLHC衝突データに見られる異常で検証される。
  論文  参考訳（メタデータ） (2023-09-18T21:11:25Z)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• PULL: Reactive Log Anomaly Detection Based On Iterative PU Learning [58.85063149619348]
  本稿では,推定故障時間ウィンドウに基づくリアクティブ異常検出のための反復ログ解析手法PULLを提案する。 我々の評価では、PULLは3つの異なるデータセットで10のベンチマークベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2023-01-25T16:34:43Z)
• Deep Federated Anomaly Detection for Multivariate Time Series Data [93.08977495974978]
  本稿では,Fed-ExDNN(Federated Exemplar-based Deep Neural Network)を用いて,異なるエッジデバイス上での多変量時系列データの異常検出を行う。 ExDNNとFed-ExDNNは、最先端の異常検出アルゴリズムやフェデレーション学習技術より優れていることを示す。
  論文  参考訳（メタデータ） (2022-05-09T05:06:58Z)
• Normality-Calibrated Autoencoder for Unsupervised Anomaly Detection on Data Contamination [4.547161155818913]
  正規度校正オートエンコーダ(NCAE)は、汚染されたデータセットの異常検出性能を高めることができる。 NCAEは、エントロピーの低い潜在空間から高信頼な正規サンプルを逆向きに生成する。
  論文  参考訳（メタデータ） (2021-10-28T00:23:01Z)
• Zero-bias Deep Learning Enabled Quick and Reliable Abnormality Detection in IoT [18.474662677341012]
  本稿では,ゼロバイアスDNNとQuickest Event Detectionアルゴリズムを統合する。 異常と時間依存異常の両方を迅速かつ確実に検出するための総合的な枠組みを提供する。 実世界の航空通信システムからの膨大な信号記録とシミュレーションデータの両方を用いて,本フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2021-04-08T03:31:50Z)
• An IoT-Based Framework for Remote Fall Monitoring [2.511917198008258]
  本稿では,クラウドに接続されたゲートウェイデバイスを介してモバイルアプリケーションにデータを送信するセンサデバイスを含む,転倒検出のための新しいIoTベースのシステムを提案する。 その結果,転倒決定に有効な特徴として,連続ウェーブレット変換(CWT)の重要性が強調された。 すべてのパフォーマンス指標(精度、リコール、精度、特異性、F1スコア)に対して、達成された結果は、小さなデータセットに対して95%以上である。
  論文  参考訳（メタデータ） (2021-03-10T22:37:19Z)
• Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
  単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。 検出精度は元の1段検出器と比べて同等か、さらに向上した。
  論文  参考訳（メタデータ） (2021-01-28T02:38:29Z)
• Contextual-Bandit Anomaly Detection for IoT Data in Distributed Hierarchical Edge Computing [65.78881372074983]
  IoTデバイスは複雑なディープニューラルネットワーク(DNN)モデルにはほとんど余裕がなく、異常検出タスクをクラウドにオフロードすることは長い遅延を引き起こす。 本稿では,分散階層エッジコンピューティング(HEC)システムを対象とした適応型異常検出手法のデモと構築を行う。 提案手法は,検出タスクをクラウドにオフロードした場合と比較して,精度を犠牲にすることなく検出遅延を著しく低減することを示す。
  論文  参考訳（メタデータ） (2020-04-15T06:13:33Z)
• Adaptive Anomaly Detection for IoT Data in Hierarchical Edge Computing [71.86955275376604]
  本稿では,階層型エッジコンピューティング(HEC)システムに対する適応型異常検出手法を提案する。 本研究では,入力データから抽出した文脈情報に基づいてモデルを選択する適応的手法を設計し,異常検出を行う。 提案手法を実際のIoTデータセットを用いて評価し,検出タスクをクラウドにオフロードするのとほぼ同じ精度を維持しながら,検出遅延を84%削減できることを実証した。
  論文  参考訳（メタデータ） (2020-01-10T05:29:17Z)

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。