論文の概要: Improving Anomaly Detection in Industrial Time Series: The Role of Segmentation and Heterogeneous Ensemble

• arxiv url: http://arxiv.org/abs/2510.09079v1
• Date: Fri, 10 Oct 2025 07:24:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 00:38:48.307173
• Title: Improving Anomaly Detection in Industrial Time Series: The Role of Segmentation and Heterogeneous Ensemble
• Title（参考訳）: 産業時系列における異常検出の改善:セグメンテーションと異種アンサンブルの役割
• Authors: Emilio Mastriani, Alessandro Costa, Federico Incardona, Kevin Munari, Sebastiano Spinello,
• Abstract要約: 異種アンサンブルと組み合わさったセグメンテーション技術の統合は,産業生産における異常検出をいかに向上させるかを示す。 我々はAUC-ROC計量を0.8599(PCAとLSTMのアンサンブルで達成)から0.9760(ランダムフォレストとXGBoostで達成)に改善する。 今後の研究では,変化点研究から得られた重み付き特徴とセグメント化と異種アンサンブルの併用による利点を評価し,早期異常検出におけるモデル性能をさらに最適化する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Concerning machine learning, segmentation models can identify state changes within time series, facilitating the detection of transitions between normal and anomalous conditions. Specific techniques such as Change Point Detection (CPD), particularly algorithms like ChangeFinder, have been successfully applied to segment time series and improve anomaly detection by reducing temporal uncertainty, especially in multivariate environments. In this work, we explored how the integration of segmentation techniques, combined with a heterogeneous ensemble, can enhance anomaly detection in an industrial production context. The results show that applying segmentation as a pre-processing step before selecting heterogeneous ensemble algorithms provided a significant advantage in our case study, improving the AUC-ROC metric from 0.8599 (achieved with a PCA and LSTM ensemble) to 0.9760 (achieved with Random Forest and XGBoost). This improvement is imputable to the ability of segmentation to reduce temporal ambiguity and facilitate the learning process of supervised algorithms. In our future work, we intend to assess the benefit of introducing weighted features derived from the study of change points, combined with segmentation and the use of heterogeneous ensembles, to further optimize model performance in early anomaly detection.
• Abstract（参考訳）: 機械学習に関して、セグメンテーションモデルは時系列内の状態変化を識別することができ、正常な状態と異常な状態の遷移の検出を容易にする。 チェンジポイント検出(CPD)のような特定の手法、特にChangeFinderのようなアルゴリズムはセグメント時系列に適用され、特に多変量環境において時間的不確実性を低減して異常検出を改善することに成功した。 本研究では, セグメンテーション技術とヘテロジニアスアンサンブルを組み合わせることで, 産業生産環境における異常検出をいかに高めるかを検討した。 その結果,不均一アンサンブルアルゴリズムを選択する前の前処理ステップとしてセグメンテーションを適用することは,AUC-ROC測定値が0.8599(PCAおよびLSTMアンサンブルで取得)から0.9760(ランダムフォレストとXGBoostで取得)に改善された。 この改善は、時間的曖昧さを減らし、教師付きアルゴリズムの学習プロセスを容易にするセグメンテーションの能力にとって不適切である。 今後の研究では,変化点研究から得られた重み付き特徴とセグメント化と異種アンサンブルの併用による利点を評価し,早期異常検出におけるモデル性能をさらに最適化する。

関連論文リスト

• Active Learning for Multiple Change Point Detection in Non-stationary Time Series with Deep Gaussian Processes [7.266872790554742]
  非定常時系列における多重変化点(MCP)検出は、基礎となるパターンの多様さにより困難である。 本稿では,アクティブ・ラーニング(AL)とディープ・ガウス・プロセス(DGP)を統合した新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-26T18:46:59Z)
• Decomposed Global Optimization for Robust Point Matching with Low-Dimensional Branching [41.05165517541873]
  部分重なり合う点集合を整列する新しい大域的最適化手法を提案する。 本手法は非剛性変形, 位置雑音, 外れ値に優れた強靭性を示す。 2次元および3次元合成および実世界のデータを用いた実験により,本手法は最先端の手法と比較して,外れ値に対して優れた強靭性を示すことが示された。
  論文  参考訳（メタデータ） (2024-05-14T13:28:57Z)
• Detection of Anomalies in Multivariate Time Series Using Ensemble Techniques [3.2422067155309806]
  最終的な決定に向けて,複数の基本モデルを組み合わせたアンサンブル手法を提案する。 また,ロジスティック回帰器を用いて基本モデルの出力を結合する半教師付き手法を提案する。 異常検出精度の点での性能改善は、教師なしモデルでは2%、半教師なしモデルでは少なくとも10%に達する。
  論文  参考訳（メタデータ） (2023-08-06T17:51:22Z)
• Learning to Bound Counterfactual Inference in Structural Causal Models from Observational and Randomised Data [64.96984404868411]
  我々は、従来のEMベースのアルゴリズムを拡張するための全体的なデータの特徴付けを導出する。 新しいアルゴリズムは、そのような混合データソースからモデルパラメータの(不特定性)領域を近似することを学ぶ。 反実的な結果に間隔近似を与え、それが特定可能な場合の点に崩壊する。
  論文  参考訳（メタデータ） (2022-12-06T12:42:11Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Variational methods for contracting projected entangled-pair states [0.0]
  本稿では,PEPSのサブクラスをアルゴリズムに依存しない変分問題として再構成する。 この変動特性を用いてCTMRGとVUMPSの収縮の精度を評価し比較する。 一般のN点相関関数を計算できるように拡張できる新しい変分縮合法を考案する。
  論文  参考訳（メタデータ） (2021-10-25T08:31:10Z)
• Differentiable Annealed Importance Sampling and the Perils of Gradient Noise [68.44523807580438]
  Annealed importance sample (AIS) と関連するアルゴリズムは、限界推定のための非常に効果的なツールである。 差別性は、目的として限界確率を最適化する可能性を認めるため、望ましい性質である。 我々はメトロポリス・ハスティングスのステップを放棄して微分可能アルゴリズムを提案し、ミニバッチ計算をさらに解き放つ。
  論文  参考訳（メタデータ） (2021-07-21T17:10:14Z)
• Differentially Private ADMM for Convex Distributed Learning: Improved Accuracy via Multi-Step Approximation [10.742065340992525]
  Alternating Direction Method of Multipliers (ADMM) は分散学習において一般的な計算方法である。 トレーニングデータが機密性のある場合には、交換されたイテレートが深刻なプライバシー上の懸念を引き起こす。 本稿では,様々な凸学習問題に対する精度の向上を図った分散ADMMを提案する。
  論文  参考訳（メタデータ） (2020-05-16T07:17:31Z)
• CRATOS: Cognition of Reliable Algorithm for Time-series Optimal Solution [12.906367105870341]
  CRATOSは、時系列から特徴を抽出し、同様の特徴を持つクラスタシリーズを1つのグループにまとめる自己適応アルゴリズムである。 本手法は,異常検出の開発・保守コストを大幅に削減することができる。 本論文における異常検出アルゴリズムの精度は85.1%である。
  論文  参考訳（メタデータ） (2020-03-03T09:49:30Z)
• Optimization of Graph Total Variation via Active-Set-based Combinatorial Reconditioning [48.42916680063503]
  本稿では,この問題クラスにおける近位アルゴリズムの適応型事前条件付け手法を提案する。 不活性エッジのネスト・フォレスト分解により局所収束速度が保証されることを示す。 この結果から,局所収束解析は近似アルゴリズムにおける可変指標選択の指針となることが示唆された。
  論文  参考訳（メタデータ） (2020-02-27T16:33:09Z)

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。