論文の概要: RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration
- arxiv url: http://arxiv.org/abs/2503.02800v3
- Date: Tue, 11 Mar 2025 15:47:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-12 19:15:47.949328
- Title: RAAD-LLM: Adaptive Anomaly Detection Using LLMs and RAG Integration
- Title（参考訳）: RAAD-LLM:LLMとRAGの統合を用いた適応型異常検出
- Authors: Alicia Russell-Gilbert, Sudip Mittal, Shahram Rahimi, Maria Seale, Joseph Jabour, Thomas Arnold, Joshua Church,
- Abstract要約: 本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMを提案する。
ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは時系列データにおける異常の検出を強化する。
実際のデータセットでは,70.7%から88.6%に精度が向上した。
- 参考スコア（独自算出の注目度）: 2.879328762187361
- License:
- Abstract: Anomaly detection in complex industrial environments poses unique challenges, particularly in contexts characterized by data sparsity and evolving operational conditions. Predictive maintenance (PdM) in such settings demands methodologies that are adaptive, transferable, and capable of integrating domain-specific knowledge. In this paper, we present RAAD-LLM, a novel framework for adaptive anomaly detection, leveraging large language models (LLMs) integrated with Retrieval-Augmented Generation (RAG). This approach addresses the aforementioned PdM challenges. By effectively utilizing domain-specific knowledge, RAAD-LLM enhances the detection of anomalies in time series data without requiring fine-tuning on specific datasets. The framework's adaptability mechanism enables it to adjust its understanding of normal operating conditions dynamically, thus increasing detection accuracy. We validate this methodology through a real-world application for a plastics manufacturing plant and the Skoltech Anomaly Benchmark (SKAB). Results show significant improvements over our previous model with an accuracy increase from 70.7% to 88.6% on the real-world dataset. By allowing for the enriching of input series data with semantics, RAAD-LLM incorporates multimodal capabilities that facilitate more collaborative decision-making between the model and plant operators. Overall, our findings support RAAD-LLM's ability to revolutionize anomaly detection methodologies in PdM, potentially leading to a paradigm shift in how anomaly detection is implemented across various industries.
- Abstract（参考訳）: 複雑な産業環境における異常検出は、特にデータの分散性と運用条件の進化を特徴とするコンテキストにおいて、ユニークな課題をもたらす。
このような環境での予測保守(PdM)は、適応的で、転送可能で、ドメイン固有の知識を統合することのできる方法論を必要とする。
本稿では,適応型異常検出のための新しいフレームワークであるRAAD-LLMについて述べる。
このアプローチは前述のPdMの問題に対処する。
ドメイン固有の知識を効果的に活用することにより、RAAD-LLMは特定のデータセットの微調整を必要とせず、時系列データの異常検出を強化する。
フレームワークの適応性メカニズムにより、通常の動作条件の理解を動的に調整し、検出精度を高めることができる。
我々は,プラスチック製造プラントとSkaB(Skoltech Anomaly Benchmark)の実際の応用を通じて,この方法論を検証した。
実際のデータセットでは,70.7%から88.6%に精度が向上した。
入力系列データのセマンティクスによる強化を可能にすることで、RAAD-LLMはモデルとプラントオペレータ間のより協調的な意思決定を容易にするマルチモーダル機能を備えている。
本研究は, RAAD-LLMがPdMの異常検出手法に革命をもたらすことをサポートし, 各種産業における異常検出の実施方法のパラダイムシフトにつながる可能性が示唆された。
関連論文リスト
- DINAMO: Dynamic and INterpretable Anomaly MOnitoring for Large-Scale Particle Physics Experiments [0.0]
異常検出の自動化を目的とした,新しい,解釈可能な,堅牢でスケーラブルなDQMアルゴリズムを提案する。
提案手法は, 統計的変異を特徴とするヒストグラムテンプレートを組込み不確かさで構築する。
合成データセットの実験は、これらの手法の高精度、適応性、解釈可能性を示す。
論文 参考訳（メタデータ） (2025-01-31T15:51:41Z) - One-Class Domain Adaptation via Meta-Learning [0.5937476291232802]
IoT(IoT of Things)センサーベースの機械学習モデルの産業システムへの展開により、異常分類タスクが大きな課題となっている。
したがって、ある環境から別の環境へ効果的に移行できる適応型機械学習モデルを開発することが重要である。
我々は,任意の二段階メタ学習アルゴリズムをOC-DAに適応させるタスクサンプリング戦略を提案した。
OC-DA MAMLアルゴリズムはRainbow-MNISTメタラーニングベンチマークと実際の振動に基づくセンサ読み取りのデータセットで評価される。
論文 参考訳（メタデータ） (2025-01-22T18:01:24Z) - AAD-LLM: Adaptive Anomaly Detection Using Large Language Models [35.286105732902065]
本研究は,Large Language Models (LLMs) を利用した異常検出モデルの伝達性の向上を目的とする。
この研究はまた、モデルとプラントオペレーターの間でより協調的な意思決定を可能にすることを目指している。
論文 参考訳（メタデータ） (2024-11-01T13:43:28Z) - RADAR: Robust Two-stage Modality-incomplete Industrial Anomaly Detection [61.71770293720491]
本稿では,2段階のロバスト・モードアリティ不完全融合とFlaAmewoRkの検出について提案する。
我々のブートストラッピング哲学は、MIIADの2段階を強化し、マルチモーダルトランスの堅牢性を向上させることである。
実験の結果,提案手法は従来のMIAD法よりも有効性とロバスト性に優れていた。
論文 参考訳（メタデータ） (2024-10-02T16:47:55Z) - SKADA-Bench: Benchmarking Unsupervised Domain Adaptation Methods with Realistic Validation On Diverse Modalities [55.87169702896249]
Unsupervised Domain Adaptation (DA) は、ラベル付きソースドメインでトレーニングされたモデルを適用して、ラベルなしのターゲットドメインでデータ分散シフトをうまく実行する。
本稿では,再重み付け,マッピング,部分空間アライメントなど,既存の浅層アルゴリズムの完全かつ公平な評価を行う。
本ベンチマークでは,現実的な検証の重要性を強調し,現実的なアプリケーションに対する実践的なガイダンスを提供する。
論文 参考訳（メタデータ） (2024-07-16T12:52:29Z) - Weakly supervised covariance matrices alignment through Stiefel matrices
estimation for MEG applications [64.20396555814513]
本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。
我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。
MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
論文 参考訳（メタデータ） (2024-01-24T19:04:49Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - A Conditioned Unsupervised Regression Framework Attuned to the Dynamic Nature of Data Streams [0.0]
本稿では,制限付きラベル付きデータを用いたストリーミング環境の最適戦略を提案し,教師なし回帰のための適応手法を提案する。
提案手法は,初期ラベルのスパースセットを活用し,革新的なドリフト検出機構を導入する。
適応性を高めるために,Adaptive WINdowingアルゴリズムとRoot Mean Square Error (RMSE)に基づく誤り一般化アルゴリズムを統合する。
論文 参考訳（メタデータ） (2023-12-12T19:23:54Z) - One-Shot Domain Adaptive and Generalizable Semantic Segmentation with
Class-Aware Cross-Domain Transformers [96.51828911883456]
セマンティックセグメンテーションのための教師なしのsim-to-realドメイン適応(UDA)は、シミュレーションデータに基づいて訓練されたモデルの実世界のテスト性能を改善することを目的としている。
従来のUDAは、適応のためのトレーニング中に利用可能なラベルのない実世界のサンプルが豊富にあると仮定することが多い。
実世界のデータサンプルが1つしか利用できない,一発の教師なしシム・トゥ・リアル・ドメイン適応(OSUDA)と一般化問題について検討する。
論文 参考訳（メタデータ） (2022-12-14T15:54:15Z) - 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) - Real-World Anomaly Detection by using Digital Twin Systems and
Weakly-Supervised Learning [3.0100975935933567]
本稿では, 産業環境における異常検出に対する弱い制御手法を提案する。
これらのアプローチでは、Digital Twinを使用して、機械の通常の動作をシミュレートするトレーニングデータセットを生成する。
提案手法の性能を,実世界のデータセットに応用した様々な最先端の異常検出アルゴリズムと比較した。
論文 参考訳（メタデータ） (2020-11-12T10:15:56Z)
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。