論文の概要: Explainable Unsupervised Multi-Anomaly Detection and Temporal Localization in Nuclear Times Series Data with a Dual Attention-Based Autoencoder

• arxiv url: http://arxiv.org/abs/2509.12372v1
• Date: Mon, 15 Sep 2025 19:06:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-17 17:50:52.728
• Title: Explainable Unsupervised Multi-Anomaly Detection and Temporal Localization in Nuclear Times Series Data with a Dual Attention-Based Autoencoder
• Title（参考訳）: デュアルアテンションベースオートエンコーダを用いた核時間時系列データにおける説明不能な多重異常検出と時間的位置推定
• Authors: Konstantinos Vasili, Zachery T. Dahm, Stylianos Chatzidakis,
• Abstract要約: 本稿では,リアクトル放射面積モニタリングシステムにおける異常事象のキャラクタリゼーションのための二重注意機構を有するLSTMオートエンコーダを提案する。 このフレームワークは、検出だけでなく、イベントのローカライズも含み、PUR-1研究炉の複雑さを増大させる実世界のデータセットを用いて評価された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: The nuclear industry is advancing toward more new reactor designs, with next-generation reactors expected to be smaller in scale and power output. These systems have the potential to produce large volumes of information in the form of multivariate time-series data, which could be used for enhanced real-time monitoring and control. In this context, the development of remote autonomous or semi-autonomous control systems for reactor operation has gained significant interest. A critical first step toward such systems is an accurate diagnostics module capable of detecting and localizing anomalies within the reactor system. Recent studies have proposed various ML and DL approaches for anomaly detection in the nuclear domain. Despite promising results, key challenges remain, including limited to no explainability, lack of access to real-world data, and scarcity of abnormal events, which impedes benchmarking and characterization. Most existing studies treat these methods as black boxes, while recent work highlights the need for greater interpretability of ML/DL outputs in safety-critical domains. Here, we propose an unsupervised methodology based on an LSTM autoencoder with a dual attention mechanism for characterization of abnormal events in a real-world reactor radiation area monitoring system. The framework includes not only detection but also localization of the event and was evaluated using real-world datasets of increasing complexity from the PUR-1 research reactor. The attention mechanisms operate in both the feature and temporal dimensions, where the feature attention assigns weights to radiation sensors exhibiting abnormal patterns, while time attention highlights the specific timesteps where irregularities occur, thus enabling localization. By combining the results, the framework can identify both the affected sensors and the duration of each anomaly within a single unified network.
• Abstract（参考訳）: 原子力産業はより新しい原子炉の設計に向けて前進しており、次世代の原子炉は規模と出力が小さくなると予想されている。 これらのシステムは、リアルタイム監視と制御の強化に使用できる多変量時系列データという形で大量の情報を生成する可能性がある。 この文脈では、原子炉運転のための遠隔自律・半自律制御システムの開発が大きな関心を集めている。 このようなシステムに向けた重要な第一歩は、原子炉システム内の異常を検出し、位置を特定できる正確な診断モジュールである。 近年の研究では、核ドメインにおける異常検出のための様々なMLおよびDLアプローチが提案されている。 有望な結果にもかかわらず、説明可能性の制限、実世界のデータへのアクセスの欠如、異常事象の欠如など、重要な課題が残っている。 既存の研究の多くは、これらの手法をブラックボックスとして扱うが、最近の研究は、安全クリティカルドメインにおけるML/DL出力の解釈可能性の向上の必要性を強調している。 本稿では,リアクトル放射線領域監視システムにおける異常事象のキャラクタリゼーションのための二重注意機構を有するLSTMオートエンコーダを用いた教師なし手法を提案する。 このフレームワークは、検出だけでなく、イベントのローカライズも含み、PUR-1研究炉の複雑さを増大させる実世界のデータセットを用いて評価された。 注意機構は、特徴的注意が異常パターンを示す放射センサに重みを割り当てる特徴的次元と時間的次元の両方で機能し、時間的注意は異常が発生する特定の時間ステップを強調し、局所化を可能にする。 結果を組み合わせることで、単一の統一ネットワーク内で、影響を受けるセンサと各異常期間の両方を識別できる。

関連論文リスト

• An Unsupervised Deep XAI Framework for Localization of Concurrent Replay Attacks in Nuclear Reactor Signals [0.0]
  次世代の先進的な原子炉は、サイズと出力の両方が小さくなると予想されている。 ネットワーク通信においては,不正攻撃に対するデータの整合性の確保がますます重要になっている。 本稿では,オートエンコーダとカスタマイズされたウィンドウSHAPアルゴリズムを組み合わせて,リアルタイムのリプレイ攻撃を完全に特徴付ける,教師なし説明可能なAIフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-08-05T15:21:02Z)
• Convolutional Neural Network Design and Evaluation for Real-Time Multivariate Time Series Fault Detection in Spacecraft Attitude Sensors [41.94295877935867]
  本稿では,ドローンのような宇宙船の加速度計および慣性測定ユニット内のスタンプ値を検出するための新しい手法を提案する。 マルチチャネル畳み込みニューラルネットワーク(CNN)は、マルチターゲット分類を実行し、センサ内の障害を独立に検出するために使用される。 ネットワークの異常を効果的に検出し,システムレベルでの回復動作をトリガーする統合手法を提案する。
  論文  参考訳（メタデータ） (2024-10-11T09:36:38Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• CNTS: Cooperative Network for Time Series [7.356583983200323]
  本稿では,協調ネットワーク時系列法(Cooperative Network Time Series approach)と呼ばれる,教師なし異常検出のための新しい手法を提案する。 CNTSの中心的な側面は多目的最適化の問題であり、協調的な解法戦略によって解決される。 実世界の3つのデータセットの実験は、CNTSの最先端性能を示し、検出器と再構成器の協調的有効性を確認する。
  論文  参考訳（メタデータ） (2023-02-20T06:55:10Z)
• Self-Supervised Masked Convolutional Transformer Block for Anomaly Detection [122.4894940892536]
  本稿では, 自己監督型マスク型畳み込み変圧器ブロック (SSMCTB) について述べる。 本研究では,従来の自己教師型予測畳み込み抑止ブロック(SSPCAB)を3次元マスク付き畳み込み層,チャンネルワイドアテンション用トランスフォーマー,およびハマーロスに基づく新たな自己教師型目標を用いて拡張する。
  論文  参考訳（メタデータ） (2022-09-25T04:56:10Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Smart Meter Data Anomaly Detection using Variational Recurrent Autoencoders with Attention [0.0]
  本稿では,アテンション機構を備えた変分リカレントオートエンコーダに基づく教師なし異常検出手法を提案する。 スマートメーターの「汚れ」データを用いて、学習中の貢献度を減少させるために、欠落した値とグローバルな異常を事前に検出する。
  論文  参考訳（メタデータ） (2022-06-08T19:39:51Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。