論文の概要: DeepFilter: An Instrumental Baseline for Accurate and Efficient Process Monitoring

• arxiv url: http://arxiv.org/abs/2501.01342v1
• Date: Thu, 02 Jan 2025 16:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-05 17:16:07.163718
• Title: DeepFilter: An Instrumental Baseline for Accurate and Efficient Process Monitoring
• Title（参考訳）: DeepFilter: 正確かつ効率的なプロセス監視のためのインスツルメンタルベースライン
• Authors: Hao Wang, Zhichao Chen, Licheng Pan, Xiaoyu Jiang, Yichen Song, Qunshan He, Xinggao Liu,
• Abstract要約: プロセス監視のためのTransformerスタイルのフレームワークであるDeepFilterを提案する。 コアとなるイノベーションは、複雑さを減らして長期および周期的なパターンをキャプチャする効率的なフィルタリング層である。 実世界のプロセス監視データセットのテストは、正確性と効率の点でDeepFilterの優位性を検証する。
• 参考スコア（独自算出の注目度）: 8.788360780796863
• License:
• Abstract: Effective process monitoring is increasingly vital in industrial automation for ensuring operational safety, necessitating both high accuracy and efficiency. Although Transformers have demonstrated success in various fields, their canonical form based on the self-attention mechanism is inadequate for process monitoring due to two primary limitations: (1) the step-wise correlations captured by self-attention mechanism are difficult to capture discriminative patterns in monitoring logs due to the lacking semantics of each step, thus compromising accuracy; (2) the quadratic computational complexity of self-attention hampers efficiency. To address these issues, we propose DeepFilter, a Transformer-style framework for process monitoring. The core innovation is an efficient filtering layer that excel capturing long-term and periodic patterns with reduced complexity. Equipping with the global filtering layer, DeepFilter enhances both accuracy and efficiency, meeting the stringent demands of process monitoring. Experimental results on real-world process monitoring datasets validate DeepFilter's superiority in terms of accuracy and efficiency compared to existing state-of-the-art models.
• Abstract（参考訳）: 効率的なプロセス監視は、高い精度と効率の両方を必要とする運用上の安全性を確保するために、産業自動化においてますます重要になっている。 トランスフォーマーは様々な分野で成功を収めてきたが, 自己認識機構に基づく正準形式は, 1) 自己認識機構によって得られたステップワイドな相関は, 各ステップのセマンティクスの欠如によるログの識別パターンの把握が困難であり, 精度が向上する; 2) 自己認識ハッパー効率の2次計算複雑性が複雑化する; という2つの主要な制約により, プロセス監視には不十分である。 これらの問題に対処するため、プロセス監視のためのTransformerスタイルのフレームワークであるDeepFilterを提案する。 コアとなるイノベーションは、複雑さを減らして長期および周期的なパターンをキャプチャする効率的なフィルタリング層である。 グローバルなフィルタリングレイヤを使用すると、DeepFilterは正確性と効率の両方を向上し、プロセス監視の厳しい要求を満たす。 実世界のプロセス監視データセットの実験結果は、既存の最先端モデルと比較して精度と効率の点でDeepFilterの優位性を検証する。

関連論文リスト

• Digital Twin-Assisted Federated Learning with Blockchain in Multi-tier Computing Systems [67.14406100332671]
  産業用 4.0 システムでは、リソース制約のあるエッジデバイスが頻繁にデータ通信を行う。 本稿では,デジタルツイン (DT) とフェデレーション付きデジタルツイン (FL) 方式を提案する。 提案手法の有効性を数値解析により検証した。
  論文  参考訳（メタデータ） (2024-11-04T17:48:02Z)
• Twin Transformer using Gated Dynamic Learnable Attention mechanism for Fault Detection and Diagnosis in the Tennessee Eastman Process [0.40964539027092917]
  故障検出・診断(FDD)は,産業プロセスの安全性と効率を確保するための重要な課題である。 我々は、化学プロセス制御のための広く使われているベンチマークであるテネシー・イーストマン・プロセス(TEP)のための新しいFDD手法を提案する。 新しい注意機構であるGated Dynamic Learnable Attention (GDLAttention)を導入し、ゲーティング機構と動的学習機能を統合する。
  論文  参考訳（メタデータ） (2024-03-16T07:40:23Z)
• Accelerate Presolve in Large-Scale Linear Programming via Reinforcement Learning [92.31528918811007]
  本稿では,P1)-(P3) を同時に扱うための簡易かつ効率的な強化学習フレームワーク,すなわち,事前解決のための強化学習(RL4Presolve)を提案する。 2つの解法と8つのベンチマーク(実世界と合成)の実験により、RL4Presolveは大規模LPの解法効率を大幅に改善することを示した。
  論文  参考訳（メタデータ） (2023-10-18T09:51:59Z)
• Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
  本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。 検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
  論文  参考訳（メタデータ） (2023-04-20T17:11:05Z)
• RegFormer: An Efficient Projection-Aware Transformer Network for Large-Scale Point Cloud Registration [73.69415797389195]
  本稿では,大規模クラウドアライメントのためのエンドツーエンドトランス (RegFormer) ネットワークを提案する。 具体的には、プロジェクション対応階層変換器を提案し、長距離依存を捕捉し、外乱をフィルタする。 我々の変圧器は線形複雑であり、大規模シーンでも高い効率が保証される。
  論文  参考訳（メタデータ） (2023-03-22T08:47:37Z)
• AttentionMixer: An Accurate and Interpretable Framework for Process Monitoring [8.155472809416969]
  データ駆動型アプローチであるAttentionMixerは、エネルギー変換プラントの正確かつ解釈可能な放射モニタリングフレームワークを確立するために提案されている。 モデル精度を向上させるために、最初の技術的貢献は、空間的および時間的適応メッセージパッシングブロックの開発である。 第2の技術的コントリビューションはスパースメッセージパッシングレギュレータの実装である。
  論文  参考訳（メタデータ） (2023-02-21T03:38:37Z)
• Boosting the Efficiency of Parametric Detection with Hierarchical Neural Networks [4.1410005218338695]
  高速検出のための新しい手法として階層型検出ネットワーク(HDN)を提案する。 ネットワークは、統計的精度と効率の目標を同時に符号化する新しい損失関数を用いて訓練される。 2層モデルを用いた3層HDNのトレーニングにより,精度と効率が向上することを示す。
  論文  参考訳（メタデータ） (2022-07-23T19:23:00Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)
• Efficient Two-Stream Network for Violence Detection Using Separable Convolutional LSTM [0.0]
  Separable Convolutional LSTM(SepConvLSTM)と予め訓練されたMobileNetを活用した効率的な2ストリームディープラーニングアーキテクチャを提案する。 SepConvLSTMは、ConvLSTMの各ゲートの畳み込み操作を深さ方向に分離可能な畳み込みに置き換えて構築されます。 我々のモデルは、大きくて挑戦的なrwf-2000データセットの精度を2%以上上回っている。
  論文  参考訳（メタデータ） (2021-02-21T12:01:48Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出の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。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。