論文の概要: A Domain Knowledge Informed Approach for Anomaly Detection of Electric Vehicle Interior Sounds
- arxiv url: http://arxiv.org/abs/2509.13390v1
- Date: Tue, 16 Sep 2025 14:04:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-18 18:41:50.586667
- Title: A Domain Knowledge Informed Approach for Anomaly Detection of Electric Vehicle Interior Sounds
- Title（参考訳）: 車両内音の異常検出のためのドメイン知識インフォームドアプローチ
- Authors: Deepti Kunte, Bram Cornelis, Claudio Colangeli, Karl Janssens, Brecht Van Baelen, Konstantinos Gryllias,
- Abstract要約: 自動車車室内音の異常検出は車体品質の確保と乗客の快適性維持に重要である。
モデル選択のためのドメイン知識インフォームドアプローチを提案する。
提案手法は、健全なキャビン音と故障したキャビン音からなる高忠実度電気自動車データセットを用いて評価する。
- 参考スコア（独自算出の注目度）: 1.2314765641075438
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of anomalies in automotive cabin sounds is critical for ensuring vehicle quality and maintaining passenger comfort. In many real-world settings, this task is more appropriately framed as an unsupervised learning problem rather than the supervised case due to the scarcity or complete absence of labeled faulty data. In such an unsupervised setting, the model is trained exclusively on healthy samples and detects anomalies as deviations from normal behavior. However, in the absence of labeled faulty samples for validation and the limited reliability of commonly used metrics, such as validation reconstruction error, effective model selection remains a significant challenge. To overcome these limitations, a domain-knowledge-informed approach for model selection is proposed, in which proxy-anomalies engineered through structured perturbations of healthy spectrograms are used in the validation set to support model selection. The proposed methodology is evaluated on a high-fidelity electric vehicle dataset comprising healthy and faulty cabin sounds across five representative fault types viz., Imbalance, Modulation, Whine, Wind, and Pulse Width Modulation. This dataset, generated using advanced sound synthesis techniques, and validated via expert jury assessments, has been made publicly available to facilitate further research. Experimental evaluations on the five fault cases demonstrate the selection of optimal models using proxy-anomalies, significantly outperform conventional model selection strategies.
- Abstract（参考訳）: 自動車車室内音の異常検出は車体品質の確保と乗客の快適性維持に重要である。
多くの実世界の環境では、このタスクはラベル付き障害データの不足や完全欠如のため、教師なしのケースよりも教師なしの学習問題として適切にフレーム化されている。
このような教師なしの環境では、モデルは健康なサンプルにのみ訓練され、正常な振る舞いからの逸脱として異常を検出する。
しかし、検証のためのラベル付き欠陥サンプルがなく、検証再構成エラーのような一般的なメトリクスの信頼性が限られているため、効果的なモデル選択は依然として大きな課題である。
これらの制約を克服するため、モデル選択のためのドメイン知識インフォームドアプローチが提案され、モデル選択をサポートする検証セットでは、健全なスペクトルの構造化摂動によって構築されたプロキシ・アノマリーが使用される。
提案手法は,5種類の故障タイプ,不均衡,変調,Whine,風,パルス幅変調にまたがる健全で不良なキャビン音を含む高忠実度電気自動車データセットを用いて評価した。
このデータセットは、高度な音声合成技術を用いて生成され、専門家の陪審員による評価によって検証され、さらなる研究を促進するために公開されている。
5つの故障事例に関する実験的評価は、プロキシ・アノマリーを用いた最適モデルの選択を示し、従来のモデル選択戦略よりも大幅に優れていた。
関連論文リスト
- A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Friend or Foe? Harnessing Controllable Overfitting for Anomaly Detection [30.77558600436759]
オーバーフィッティングは伝統的に異常検出の有害と見なされてきた。
本稿では、オーバーフィッティングを戦略的に活用し、異常識別能力を向上する新しいフレームワークである、制御可能なオーバーフィッティングベースの異常検出(COAD)を紹介する。
論文 参考訳（メタデータ） (2024-11-30T19:07:16Z) - Towards Unsupervised Validation of Anomaly-Detection Models [5.439020425819001]
本研究は,実世界の協調的意思決定機構に触発されて,異常検出モデルの自動検証に新たなパラダイムを提案する。
我々は、モデル選択とモデル評価という、一般的に使われている、教師なしの2つのモデル検証タスクに焦点を当てる。
論文 参考訳（メタデータ） (2024-10-18T16:27:04Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。
我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。
故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
論文 参考訳（メタデータ） (2024-04-08T22:20:23Z) - Generating and Reweighting Dense Contrastive Patterns for Unsupervised
Anomaly Detection [59.34318192698142]
我々は、先行のない異常発生パラダイムを導入し、GRADと呼ばれる革新的な教師なし異常検出フレームワークを開発した。
PatchDiffは、様々な種類の異常パターンを効果的に公開する。
MVTec ADとMVTec LOCOデータセットの両方の実験も、前述の観測をサポートする。
論文 参考訳（メタデータ） (2023-12-26T07:08:06Z) - An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
電力系統の信頼性を確保するためには絶縁体の検査が重要である。
検査プロセスを自動化するために、ディープラーニングがますます活用されています。
本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
論文 参考訳（メタデータ） (2023-11-14T11:36:20Z) - Model Selection of Anomaly Detectors in the Absence of Labeled Validation Data [18.233908098602114]
本稿では,画像に基づく異常検出をラベル付き検証データなしで選択するフレームワークSWSAを提案する。
ラベル付き検証データを集める代わりに、トレーニングや微調整なしに合成異常を生成する。
我々の合成異常は、モデル選択のための検証フレームワークを構成する検出タスクを作成するために使用される。
論文 参考訳（メタデータ） (2023-10-16T14:42:22Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳（メタデータ） (2021-12-01T17:11:22Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z)
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。