論文の概要: Learning High-Quality Latent Representations for Anomaly Detection and Signal Integrity Enhancement in High-Speed Signals

• arxiv url: http://arxiv.org/abs/2506.18288v1
• Date: Mon, 23 Jun 2025 04:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.858016
• Title: Learning High-Quality Latent Representations for Anomaly Detection and Signal Integrity Enhancement in High-Speed Signals
• Title（参考訳）: 高速信号における異常検出と信号積分性向上のための高品質遅延表現の学習
• Authors: Muhammad Usama, Hee-Deok Jang, Soham Shanbhag, Yoo-Chang Sung, Seung-Jun Bae, Dong Eui Chang,
• Abstract要約: 本稿では,高速な動的ランダムアクセスメモリ信号における異常検出と信号整合性を改善するという2つの課題に対処する。 本稿では,自動エンコーダと分類器を統合して,より独特な潜在表現を学習する共同学習フレームワークを提案する。 本稿では,信号整合性を平均11.3%向上させる信号整合性向上アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 3.0017241250121387
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper addresses the dual challenge of improving anomaly detection and signal integrity in high-speed dynamic random access memory signals. To achieve this, we propose a joint training framework that integrates an autoencoder with a classifier to learn more distinctive latent representations by focusing on valid data features. Our approach is evaluated across three anomaly detection algorithms and consistently outperforms two baseline methods. Detailed ablation studies further support these findings. Furthermore, we introduce a signal integrity enhancement algorithm that improves signal integrity by an average of 11.3%. The source code and data used in this study are available at https://github.com/Usama1002/learning-latent-representations.
• Abstract（参考訳）: 本稿では,高速な動的ランダムアクセスメモリ信号における異常検出と信号整合性を改善するという2つの課題に対処する。 そこで本研究では,自動エンコーダと分類器を統合して,有効なデータ特徴に着目して,より独特な潜在表現を学習する共同学習フレームワークを提案する。 提案手法は3つの異常検出アルゴリズムで評価され、2つのベースライン法より一貫して優れている。 詳細なアブレーション研究はこれらの発見をさらに支持している。 さらに,信号整合性を平均11.3%向上させる信号整合性向上アルゴリズムを導入する。 この研究で使用されたソースコードとデータはhttps://github.com/Usama1002/learning-latent-representationsで公開されている。

関連論文リスト

• Exploring Generalized Gait Recognition: Reducing Redundancy and Noise within Indoor and Outdoor Datasets [24.242460774158463]
  一般化歩行認識は、多様な領域にわたる堅牢なパフォーマンスを実現することを目的としている。 混合データセットトレーニングは一般化を高めるために広く利用されている。 クロスドメイン歩行認識を体系的に改善する統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-21T06:46:09Z)
• DeepGrav: Anomalous Gravitational-Wave Detection Through Deep Latent Features [0.0]
  この研究は、重力波異常検出のための新しい深層学習に基づくアプローチを導入している。 ResNetにインスパイアされた畳み込みニューラルネットワークアーキテクチャを使用している。 NSF HDR A3D3: Detecting Anomalous Gravitational Wave Signals competition。
  論文  参考訳（メタデータ） (2025-03-05T16:14:22Z)
• MLCA-AVSR: Multi-Layer Cross Attention Fusion based Audio-Visual Speech Recognition [62.89464258519723]
  異なるレベルのオーディオ/視覚エンコーダに融合することで、各モードの表現を促進する多層クロスアテンション融合に基づくAVSR手法を提案する。 提案手法は第1位システムを超え,新たなSOTA cpCERの29.13%をこのデータセット上に構築する。
  論文  参考訳（メタデータ） (2024-01-07T08:59:32Z)
• KECOR: Kernel Coding Rate Maximization for Active 3D Object Detection [48.66703222700795]
  我々は、ラベルの取得に最も有用なポイントクラウドを特定するために、新しいカーネル戦略を利用する。 1段目(SECOND)と2段目(SECOND)の両方に対応するため、アノテーションに選択した境界ボックスの総数と検出性能のトレードオフをよく組み込んだ分類エントロピー接点を組み込んだ。 その結果,ボックスレベルのアノテーションのコストは約44%,計算時間は26%削減された。
  論文  参考訳（メタデータ） (2023-07-16T04:27:03Z)
• Multi-task Learning for Radar Signal Characterisation [48.265859815346985]
  本稿では,マルチタスク学習(MTL)問題として,レーダ信号の分類と特徴化に取り組むためのアプローチを提案する。 本稿では,複数のレグレッションタスクと分類タスクを同時最適化するIQST(IQ Signal Transformer)を提案する。 合成レーダデータセット上で提案したMTLモデルの性能を示すとともに,レーダ信号の特徴付けのための一級ベンチマークも提供する。
  論文  参考訳（メタデータ） (2023-06-19T12:01:28Z)
• Generalizing Face Forgery Detection with High-frequency Features [63.33397573649408]
  現在のCNNベースの検出器は、メソッド固有の色テクスチャに過度に適合するため、一般化に失敗する傾向にある。 フェースフォージェリ検出に高周波雑音を用いることを提案する。 1つは、複数のスケールで高周波ノイズを抽出するマルチスケールの高周波特徴抽出モジュールである。 2つ目は、低レベルRGB特徴抽出器を導く残差誘導空間注意モジュールで、新しい視点からフォージェリートレースにもっと集中する。
  論文  参考訳（メタデータ） (2021-03-23T08:19:21Z)

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。