論文の概要: Unsupervised Online Detection of Pipe Blockages and Leakages in Water Distribution Networks

• arxiv url: http://arxiv.org/abs/2508.16336v1
• Date: Fri, 22 Aug 2025 12:23:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.380823
• Title: Unsupervised Online Detection of Pipe Blockages and Leakages in Water Distribution Networks
• Title（参考訳）: 配水網における管閉塞・漏れの非監視オンライン検出
• Authors: Jin Li, Kleanthis Malialis, Stelios G. Vrachimis, Marios M. Polycarpou,
• Abstract要約: 水分配ネットワーク(WDN)は、パイプ遮断やバックグラウンドリークといった課題に直面している。 本稿では,WDNにおける2種類の障害を検出することを目的とした,教師なしオンライン学習フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 6.036207670620086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Water Distribution Networks (WDNs), critical to public well-being and economic stability, face challenges such as pipe blockages and background leakages, exacerbated by operational constraints such as data non-stationarity and limited labeled data. This paper proposes an unsupervised, online learning framework that aims to detect two types of faults in WDNs: pipe blockages, modeled as collective anomalies, and background leakages, modeled as concept drift. Our approach combines a Long Short-Term Memory Variational Autoencoder (LSTM-VAE) with a dual drift detection mechanism, enabling robust detection and adaptation under non-stationary conditions. Its lightweight, memory-efficient design enables real-time, edge-level monitoring. Experiments on two realistic WDNs show that the proposed approach consistently outperforms strong baselines in detecting anomalies and adapting to recurrent drift, demonstrating its effectiveness in unsupervised event detection for dynamic WDN environments.
• Abstract（参考訳）: 水分配ネットワーク(WDN)は、公共の幸福と経済の安定に重要なものであり、パイプ遮断やバックグラウンドリークといった課題に直面し、データ非定常性や限定ラベル付きデータといった運用上の制約によって悪化する。 本稿では,WDNの2種類の障害を検出することを目的とした,教師なしオンライン学習フレームワークを提案する。 本手法は,Long Short-Term Memory Variational Autoencoder (LSTM-VAE) と二重ドリフト検出機構を組み合わせることで,非定常条件下でのロバスト検出と適応を可能にする。 その軽量でメモリ効率の良い設計は、リアルタイムでエッジレベルのモニタリングを可能にする。 2つの現実的なWDN実験により、提案手法は異常の検出と繰り返しドリフトに適応し、動的WDN環境に対する教師なし事象検出においてその効果を示す。

関連論文リスト

• Online Detection of Water Contamination Under Concept Drift [8.479260558632172]
  水分配ネットワーク(WDN)は重要なインフラであり、汚染は公衆衛生上の重大なリスクをもたらす。 本研究ではDual-Threshold Anomaly and Drift Detection (AD&DD)法を提案する。 マルチスレッドドリフト検出機構とLSTMベースの変動オートエンコーダ(LSTM-VAE)を組み合わせて、リアルタイムな汚染検知を行う。
  論文  参考訳（メタデータ） (2025-01-03T21:29:09Z)
• Latent feedback control of distributed systems in multiple scenarios through deep learning-based reduced order models [3.5161229331588095]
  高次元分散システムの継続的な監視とリアルタイム制御は、望まれる物理的な振る舞いを保証するためにアプリケーションに不可欠である。 完全順序モデルに依存する従来のフィードバック制御設計は、制御計算の遅延のため、これらの要求を満たすことができない。 非線形非侵襲的深層学習に基づく還元順序モデル(DL-ROM)により強化されたリアルタイム閉ループ制御戦略を提案する。
  論文  参考訳（メタデータ） (2024-12-13T08:04:21Z)
• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)
• Run-time Introspection of 2D Object Detection in Automated Driving Systems Using Learning Representations [13.529124221397822]
  ディープニューラルネットワーク(DNN)に基づく2次元物体検出のための新しいイントロスペクションソリューションを提案する。 KITTIとBDDのデータセットで評価された1段階および2段階のオブジェクト検出器を用いて,2次元オブジェクト検出におけるエラー検出のためのSOTAイントロスペクション機構を実装した。 性能評価の結果,提案手法はSOTA法より優れており,BDDデータセットのエラー率を9%から17%まで絶対的に削減できることがわかった。
  論文  参考訳（メタデータ） (2024-03-02T10:56:14Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• DiffusionAD: Norm-guided One-step Denoising Diffusion for Anomaly Detection [80.20339155618612]
  DiffusionADは、再構成サブネットワークとセグメンテーションサブネットワークからなる、新しい異常検出パイプラインである。 高速なワンステップデノゲーションパラダイムは、同等の再現品質を維持しながら、数百倍の加速を達成する。 異常の出現の多様性を考慮し、複数のノイズスケールの利点を統合するためのノルム誘導パラダイムを提案する。
  論文  参考訳（メタデータ） (2023-03-15T16:14:06Z)
• Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
  ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。 電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。 本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
  論文  参考訳（メタデータ） (2022-08-31T18:19:25Z)
• Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex Evolving Data Stream [15.599296461516984]
  本稿では,自己エンコーダに基づくディープ・アノマリー検出手法を用いて,オンラインのディープ・アノマリー検出のためのフレームワークARCUSを提案する。 適応型モデルプーリングアプローチと2つの新しいテクニックを使って、複雑なデータストリームと進化するデータストリームを処理する。 高次元とコンセプトドリフトの両方の10データセットを用いた総合的な実験において、ARCUSは、最先端のオートエンコーダベースの手法のストリーミング変種を、それぞれ最大22%と37%の精度で検出した。
  論文  参考訳（メタデータ） (2022-06-09T23:11:43Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• DNS Covert Channel Detection via Behavioral Analysis: a Machine Learning Approach [0.09176056742068815]
  本稿では,ネットワーク監視システムから受動的に抽出されたDNSネットワークデータの解析に基づいて,効果的な隠蔽チャネル検出手法を提案する。 提案手法は15日間の実験実験で評価され,最も関連する流出・トンネル攻撃をカバーするトラフィックを注入した。
  論文  参考訳（メタデータ） (2020-10-04T13:28:28Z)

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。