論文の概要: Time-EAPCR: A Deep Learning-Based Novel Approach for Anomaly Detection Applied to the Environmental Field

• arxiv url: http://arxiv.org/abs/2503.09200v1
• Date: Wed, 12 Mar 2025 09:44:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:35:17.365122
• Title: Time-EAPCR: A Deep Learning-Based Novel Approach for Anomaly Detection Applied to the Environmental Field
• Title（参考訳）: Time-EAPCR:環境分野に適用した深層学習に基づく異常検出のための新しいアプローチ
• Authors: Lei Liu, Yuchao Lu, Ling An, Huajie Liang, Chichun Zhou, Zhenyu Zhang,
• Abstract要約: 従来の監視方法は遅延応答、不十分なデータ処理、弱い一般化に悩まされている。 ディープラーニングは、機能を自動的に学習する機能を備え、複雑な非線形関係をキャプチャし、検出性能を向上させる。 本稿では,新しいディープラーニング手法であるTime-EAPCR(Time-Embedding-Permutated CNN-Residual)を紹介し,環境科学に応用する。
• 参考スコア（独自算出の注目度）: 7.814749741826771
• License:
• Abstract: As human activities intensify, environmental systems such as aquatic ecosystems and water treatment systems face increasingly complex pressures, impacting ecological balance, public health, and sustainable development, making intelligent anomaly monitoring essential. However, traditional monitoring methods suffer from delayed responses, insufficient data processing capabilities, and weak generalisation, making them unsuitable for complex environmental monitoring needs.In recent years, machine learning has been widely applied to anomaly detection, but the multi-dimensional features and spatiotemporal dynamics of environmental ecological data, especially the long-term dependencies and strong variability in the time dimension, limit the effectiveness of traditional methods.Deep learning, with its ability to automatically learn features, captures complex nonlinear relationships, improving detection performance. However, its application in environmental monitoring is still in its early stages and requires further exploration.This paper introduces a new deep learning method, Time-EAPCR (Time-Embedding-Attention-Permutated CNN-Residual), and applies it to environmental science. The method uncovers feature correlations, captures temporal evolution patterns, and enables precise anomaly detection in environmental systems.We validated Time-EAPCR's high accuracy and robustness across four publicly available environmental datasets. Experimental results show that the method efficiently handles multi-source data, improves detection accuracy, and excels across various scenarios with strong adaptability and generalisation. Additionally, a real-world river monitoring dataset confirmed the feasibility of its deployment, providing reliable technical support for environmental monitoring.
• Abstract（参考訳）: 人間の活動が激化するにつれ、水生生態系や水処理システムのような環境システムはますます複雑な圧力に直面するようになり、生態系のバランス、公衆衛生、持続可能な開発に影響を与え、インテリジェントな異常監視が不可欠となる。 しかし、従来のモニタリング手法は遅延応答、データ処理能力の不足、一般化の弱さに悩まされており、複雑な環境モニタリングのニーズには適さない。近年では、機械学習が異常検出に広く応用されているが、環境生態データの多次元的特徴と時空間的ダイナミクス、特に長期的依存関係と時間次元の強い変動性は、従来の手法の有効性を制限し、特徴を自動的に学習し、複雑な非線形関係を捕捉し、検出性能を向上させる。 しかし、その環境モニタリングへの応用はまだ初期段階であり、さらなる探究が必要である。本稿では、新しい深層学習手法であるTime-EAPCR(Time-Embedding-Attention-Permutated CNN-Residual)を導入し、環境科学に適用する。 本手法は, 特徴相関を解明し, 時間的進化パターンを把握し, 環境システムにおける正確な異常検出を可能にする。 実験結果から,本手法はマルチソースデータを効率的に処理し,検出精度を向上し,高い適応性と一般化性を有する様々なシナリオにまたがって優れることがわかった。 さらに、実際の河川モニタリングデータセットは、その展開の可能性を確認し、環境モニタリングの信頼性の高い技術サポートを提供した。

関連論文リスト

• Digital Ecosystem for FAIR Time Series Data Management in Environmental System Science [0.0]
  本稿では時系列データを管理する汎用的で転送可能なデジタルエコシステムを提案する。 システムは高度に適応可能で、クラウド対応で、幅広い設定でデプロイするのに適しています。
  論文  参考訳（メタデータ） (2024-09-05T08:53:23Z)
• A task of anomaly detection for a smart satellite Internet of things system [0.9427635404752934]
  本稿では,教師なし深層学習異常検出システムを提案する。 生成する対向ネットワークと自己認識機構に基づいて,環境センサ変数間の複雑な線形および非線形の依存関係を自動的に学習する。 リアルタイム性能の高い実センサデータの異常点を監視でき、インテリジェント衛星インターネット・オブ・モノのシステム上で動作することができる。
  論文  参考訳（メタデータ） (2024-03-21T14:26:29Z)
• AI-Based Energy Transportation Safety: Pipeline Radial Threat Estimation Using Intelligent Sensing System [52.93806509364342]
  本稿では,分散光ファイバーセンシング技術に基づくエネルギーパイプラインの放射状脅威推定手法を提案する。 本稿では,包括的信号特徴抽出のための連続的マルチビュー・マルチドメイン機能融合手法を提案する。 本研究では,事前学習モデルによる伝達学習の概念を取り入れ,認識精度と学習効率の両立を図る。
  論文  参考訳（メタデータ） (2023-12-18T12:37:35Z)
• Challenges in data-based geospatial modeling for environmental research and practice [19.316860936437823]
  機械学習(ML)を用いたデータに基づく地理空間モデリングが環境研究で人気を博している。 本研究では,不均衡データ,空間自己相関,予測誤差,モデル一般化,ドメイン特異性,不確実性推定など,地理空間モデリングにおける一般的なニュアンスについて検討する。
  論文  参考訳（メタデータ） (2023-11-18T12:30:49Z)
• Clairvoyance: A Pipeline Toolkit for Medical Time Series [95.22483029602921]
  時系列学習は、データ駆動の*クリニカルな意思決定支援のパンとバターである* Clairvoyanceは、ソフトウェアツールキットとして機能する、統合されたエンドツーエンドのオートMLフレンドリなパイプラインを提案する。 Clairvoyanceは、臨床時系列MLのための包括的で自動化可能なパイプラインの生存可能性を示す最初のものである。
  論文  参考訳（メタデータ） (2023-10-28T12:08:03Z)
• Beyond Tides and Time: Machine Learning Triumph in Water Quality [0.0]
  この研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としている。 我々の研究は、データサイエンスの専門家とドメイン固有の知識を持たない人々の両方にとって、堅牢な予測パイプラインを確立することを目的としています。
  論文  参考訳（メタデータ） (2023-09-29T03:33:53Z)
• A Comparative Study of Machine Learning Algorithms for Anomaly Detection in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
  本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。 Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。 しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-07-01T15:18:00Z)
• Vision in adverse weather: Augmentation using CycleGANs with various object detectors for robust perception in autonomous racing [70.16043883381677]
  自律レースでは、天気は突然変化し、認識が著しく低下し、非効率な操作が引き起こされる。 悪天候の検知を改善するために、ディープラーニングベースのモデルは通常、そのような状況下でキャプチャされた広範なデータセットを必要とする。 本稿では,5つの最先端検出器のうち4つの性能向上を図るために,自動レース(CycleGANを用いた)における合成悪条件データセットを用いた手法を提案する。
  論文  参考訳（メタデータ） (2022-01-10T10:02:40Z)
• Applications of physics-informed scientific machine learning in subsurface science: A survey [64.0476282000118]
  地球系は、化石エネルギー探査、廃棄物処理、地質炭素隔離、再生可能エネルギー生成などの人間の活動によって変化した地質形成です。 したがって、ジオシステムの責任ある使用と探索は、効率的な監視、リスクアセスメント、および実用的な実装のための意思決定支援ツールに依存するジオシステムガバナンスにとって重要です。 近年の機械学習アルゴリズムと新しいセンシング技術の急速な進歩は、地下研究コミュニティがジオシステムガバナンスの有効性と透明性を向上させる新しい機会を提示しています。
  論文  参考訳（メタデータ） (2021-04-10T13:40:22Z)
• Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
  相関情報を利用するスケジューリング機構を提案する。 提案したメカニズムは、センサが更新を送信する頻度を決定することができる。 我々は,センサの寿命を大幅に延長できることを示した。
  論文  参考訳（メタデータ） (2020-11-19T09:53:27Z)
• Smart Anomaly Detection in Sensor Systems: A Multi-Perspective Review [0.0]
  異常検出は、期待される振る舞いから著しく逸脱するデータパターンを特定することに関わる。 データ分析からe-health、サイバーセキュリティ、予測メンテナンス、障害防止、産業自動化に至るまで、幅広いアプリケーション領域があるため、これは重要な研究課題である。 本稿では,センサシステムの特定の領域における異常検出に使用される最先端手法について概説する。
  論文  参考訳（メタデータ） (2020-10-27T09:56:16Z)

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。