論文の概要: H-Alpha Anomalyzer: An Explainable Anomaly Detector for Solar H-Alpha Observations

• arxiv url: http://arxiv.org/abs/2509.14472v1
• Date: Wed, 17 Sep 2025 23:04:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-19 17:26:52.995203
• Title: H-Alpha Anomalyzer: An Explainable Anomaly Detector for Solar H-Alpha Observations
• Title（参考訳）: H-Alpha Anomalyzer:太陽H-Alpha観測のための説明可能な異常検出器
• Authors: Mahsa Khazaei, Azim Ahmadzadeh, Alexei Pevtsov, Luca Bertello, Alexander Pevtsov,
• Abstract要約: 本研究では,H-Alpha Anomalyzerと呼ばれる軽量(非ML)異常検出アルゴリズムを提案する。 多くのブラックボックスアルゴリズムとは異なり、我々のアプローチでは、どの領域が異常フラグをトリガーし、対応する異常確率を定量化するのかを強調している。 提案手法は既存手法より優れているだけでなく,説明可能性も優れていることを示す。
• 参考スコア（独自算出の注目度）: 37.56003520528009
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The plethora of space-borne and ground-based observatories has provided astrophysicists with an unprecedented volume of data, which can only be processed at scale using advanced computing algorithms. Consequently, ensuring the quality of data fed into machine learning (ML) models is critical. The H$\alpha$ observations from the GONG network represent one such data stream, producing several observations per minute, 24/7, since 2010. In this study, we introduce a lightweight (non-ML) anomaly-detection algorithm, called H-Alpha Anomalyzer, designed to identify anomalous observations based on user-defined criteria. Unlike many black-box algorithms, our approach highlights exactly which regions triggered the anomaly flag and quantifies the corresponding anomaly likelihood. For our comparative analysis, we also created and released a dataset of 2,000 observations, equally divided between anomalous and non-anomalous cases. Our results demonstrate that the proposed model not only outperforms existing methods but also provides explainability, enabling qualitative evaluation by domain experts.
• Abstract（参考訳）: 宇宙に浮かぶ観測所や地上の観測所は、先例のない量のデータを宇宙物理学者に提供しており、これは高度な計算アルゴリズムを使って大規模にしか処理できない。 したがって、機械学習(ML)モデルに入力されるデータの質を保証することが重要である。 GONGネットワークからのH$\alpha$観測は、そのようなデータストリームの1つを表しており、2010年以降、毎分24/7の観測結果を生み出している。 本研究では,H-Alpha Anomalyzerと呼ばれる軽量な(非ML)異常検出アルゴリズムを導入する。 多くのブラックボックスアルゴリズムとは異なり、我々のアプローチでは、どの領域が異常フラグをトリガーし、対応する異常確率を定量化するのかを強調している。 比較分析では,異常例と非異常症例を等分した2,000件の観測データも作成した。 その結果,提案手法は既存手法より優れているだけでなく,説明可能性も提供し,ドメインの専門家による質的評価を可能にした。

関連論文リスト

• Detect, Classify, Act: Categorizing Industrial Anomalies with Multi-Modal Large Language Models [27.008700759998945]
  本稿では,異常分類のための新しいパイプラインであるVELMを提案する。 我々は、広く使われているMVTec-ADとVisA-ACデータセットの洗練されたバージョンであるMVTec-ACとVisA-ACを紹介する。 提案手法は,MVTec-ADで80.4%,MVTec-ACで84%の精度を達成し,VELMの有効性を示した。
  論文  参考訳（メタデータ） (2025-05-05T13:08:25Z)
• Unsupervised anomaly detection in large-scale estuarine acoustic telemetry data [0.3495246564946556]
  本稿では,データ前処理,再サンプリング戦略,ラベル付けプロセス,特徴工学,データ分割手法,および異常検出のための機械学習モデルの選択と解釈に関するガイドラインを提案する。 評価モデルでは,ニューラルネットワークオートエンコーダ(NN-AE)の性能が向上し,しきい値決定アルゴリズムが有効であった。
  論文  参考訳（メタデータ） (2025-02-03T17:23:29Z)
• Abnormal component analysis [9.387706860375461]
  本稿では,データ深度をスコアとして,異常観測を探索的に分析するための新しい統計ツールを提案する。 異常成分分析(英: Abnormal component analysis、略称: ACA)は、異常を最もよく視覚化し説明する低次元データ表現を探索する手法である。
  論文  参考訳（メタデータ） (2023-12-26T17:57:46Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Semi-Supervised Domain Adaptation for Cross-Survey Galaxy Morphology Classification and Anomaly Detection [57.85347204640585]
  We developed a Universal Domain Adaptation method DeepAstroUDA。 異なるタイプのクラスオーバーラップしたデータセットに適用することができる。 初めて、我々は2つの非常に異なる観測データセットに対するドメイン適応の有効利用を実演した。
  論文  参考訳（メタデータ） (2022-11-01T18:07:21Z)
• Catching Both Gray and Black Swans: Open-set Supervised Anomaly Detection [90.32910087103744]
  ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。 これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。 トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。 本稿では,オープンセット型教師付き異常検出に取り組む。
  論文  参考訳（メタデータ） (2022-03-28T05:21:37Z)
• Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
  本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。 提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。 我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
  論文  参考訳（メタデータ） (2021-08-01T14:33:17Z)
• New Methods and Datasets for Group Anomaly Detection From Fundamental Physics [0.4297070083645048]
  教師なしのグループ異常検出は、基礎物理学の新たなフロンティアとなっている。 グループ異常検出アルゴリズムの開発のために,現実的な合成ベンチマークデータセット(LHCO 2020)を提案する。
  論文  参考訳（メタデータ） (2021-07-06T18:00:57Z)
• Bump Hunting in Latent Space [0.0]
  LHCオリンピックマシンラーニングチャレンジデータセット上で競争的かつ堅牢に機能する、物理学にインスパイアされた変動オートエンコーダ(VAE)アーキテクチャを紹介します。 我々は、いくつかの物理的オブザーバブルをVAEの潜時空間に直接埋め込むと同時に、分類器を明らかに識別し、データセット内の異常の存在によって引き起こされる測定されたスペクトルの特徴を特定するのに役立つことを実証する。
  論文  参考訳（メタデータ） (2021-03-11T10:48:10Z)

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。