論文の概要: Transformer-Based Indirect Structural Health Monitoring of Rail Infrastructure with Attention-Driven Detection and Localization of Transient Defects

• arxiv url: http://arxiv.org/abs/2510.07606v1
• Date: Wed, 08 Oct 2025 23:01:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.768465
• Title: Transformer-Based Indirect Structural Health Monitoring of Rail Infrastructure with Attention-Driven Detection and Localization of Transient Defects
• Title（参考訳）: 変圧器を用いた過渡欠陥検出と局所化による鉄道インフラの間接的構造健康モニタリング
• Authors: Sizhe Ma, Katherine A. Flanigan, Mario Bergés, James D. Brooks,
• Abstract要約: 我々は,段階的に複雑な課題に対してモデルロバスト性を評価するために,漸進的な合成データベンチマークを導入する。 提案するアテンション・フォーカス変換器とともに,複数の教師なしモデルを評価する。 提案モデルでは,提案手法の精度は最先端の解に匹敵するが,推論速度は向上する。
• 参考スコア（独自算出の注目度）: 1.1782896991259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Indirect structural health monitoring (iSHM) for broken rail detection using onboard sensors presents a cost-effective paradigm for railway track assessment, yet reliably detecting small, transient anomalies (2-10 cm) remains a significant challenge due to complex vehicle dynamics, signal noise, and the scarcity of labeled data limiting supervised approaches. This study addresses these issues through unsupervised deep learning. We introduce an incremental synthetic data benchmark designed to systematically evaluate model robustness against progressively complex challenges like speed variations, multi-channel inputs, and realistic noise patterns encountered in iSHM. Using this benchmark, we evaluate several established unsupervised models alongside our proposed Attention-Focused Transformer. Our model employs a self-attention mechanism, trained via reconstruction but innovatively deriving anomaly scores primarily from deviations in learned attention weights, aiming for both effectiveness and computational efficiency. Benchmarking results reveal that while transformer-based models generally outperform others, all tested models exhibit significant vulnerability to high-frequency localized noise, identifying this as a critical bottleneck for practical deployment. Notably, our proposed model achieves accuracy comparable to the state-of-the-art solution while demonstrating better inference speed. This highlights the crucial need for enhanced noise robustness in future iSHM models and positions our more efficient attention-based approach as a promising foundation for developing practical onboard anomaly detection systems.
• Abstract（参考訳）: 車載センサを用いた鉄道破壊検出のための間接的構造健康モニタリング(iSHM)は、鉄道線路評価のコスト効率のパラダイムを示すが、複雑な車両力学、信号ノイズ、ラベル付きデータ制限による教師付きアプローチの不足などにより、小型で過渡的な異常(2-10 cm)を確実に検出することは重要な課題である。 本研究では、教師なしのディープラーニングを通じてこれらの問題に対処する。 速度変化やマルチチャネル入力,iSHMで遭遇する現実的なノイズパターンといった,段階的に複雑な課題に対して,モデルロバストネスを体系的に評価するインクリメンタルな合成データベンチマークを導入する。 このベンチマークを用いて,提案したAttention-Focused Transformerとともに,教師なしモデルをいくつか評価した。 本モデルでは, 自己注意機構を用いて, 再構成により学習するが, 学習注意重みの偏差から異常スコアを抽出し, 有効性と計算効率の両立を図っている。 ベンチマークの結果、トランスフォーマーベースのモデルは一般的に他のモデルより優れているが、全ての試験されたモデルは高周波ローカライズドノイズに対する重大な脆弱性を示しており、これは実際の展開において重要なボトルネックであることが示された。 特に,提案モデルでは,予測速度の向上を図りながら,最先端の解に匹敵する精度を実現している。 このことは、将来のiSHMモデルにおけるノイズロバスト性強化の必要性を強調し、我々のより効率的な注意に基づくアプローチを、実用的な搭載異常検知システムを開発するための有望な基盤として位置づけている。

関連論文リスト

• DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
  時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。 本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。 提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
  論文  参考訳（メタデータ） (2025-08-25T20:39:49Z)
• Noise Robust One-Class Intrusion Detection on Dynamic Graphs [46.453758431767724]
  本研究では,TGN-SVDDモデルの確率的バージョンを導入し,入力雑音の有無の検出精度を高めることを目的とした。 合成ノイズを用いたCIC-IDS 2017データセットの修正実験により, ベースラインTGN-SVDDモデルに比べて検出性能が著しく向上した。
  論文  参考訳（メタデータ） (2025-08-19T18:36:11Z)
• GNN-ASE: Graph-Based Anomaly Detection and Severity Estimation in Three-Phase Induction Machines [0.0]
  本稿では,誘導機の故障診断にグラフニューラルネットワーク(GNN)を用いたモデルフリーアプローチを提案する。 提案したGNN-ASEモデルは,生の入力から関連する特徴を自動的に学習し,抽出する。 個別断層検出と複合断層条件の多クラス分類について評価した。
  論文  参考訳（メタデータ） (2025-07-23T01:50:07Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [78.18946529195254]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Reliably Detecting Model Failures in Deployment Without Labels [14.331401006402979]
  本稿では,デプロイ後劣化(PDD)モニタリングの問題点を定式化し,対処する。 本稿では,予測モデルの相違に基づく,実用的で効率的なモニタリングアルゴリズムD3Mを提案する。 標準ベンチマークと実世界の大規模内科データセットによる実証的な結果から,フレームワークの有効性が示された。
  論文  参考訳（メタデータ） (2025-06-05T13:56:18Z)
• Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
  顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。 本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。 本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
  論文  参考訳（メタデータ） (2024-11-28T13:04:45Z)
• Bisimulation metric for Model Predictive Control [44.301098448479195]
  Bisimulation Metric for Model Predictive Control (BS-MPC) は、目的関数にbisimulation metric lossを組み込んでエンコーダを直接最適化する新しい手法である。 BS-MPCは、トレーニング時間を削減することにより、トレーニング安定性、入力ノイズに対する堅牢性、および計算効率を向上させる。 我々は,DeepMind Control Suiteから連続制御および画像ベースタスクのBS-MPCを評価する。
  論文  参考訳（メタデータ） (2024-10-06T17:12:10Z)
• ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
  我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。 我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
  論文  参考訳（メタデータ） (2023-07-03T04:57:40Z)
• On the benefits of robust models in modulation recognition [53.391095789289736]
  畳み込み層を用いたディープニューラルネットワーク(DNN)は、通信における多くのタスクにおいて最先端である。 画像分類のような他の領域では、DNNは敵の摂動に弱いことが示されている。 最新モデルの堅牢性をテストするための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-27T19:58:06Z)

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。