論文の概要: Explainable Anomaly Detection for Industrial IoT Data Streams

• arxiv url: http://arxiv.org/abs/2512.08885v1
• Date: Tue, 09 Dec 2025 18:20:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:08.088644
• Title: Explainable Anomaly Detection for Industrial IoT Data Streams
• Title（参考訳）: 産業用IoTデータストリームの説明可能な異常検出
• Authors: Ana Rita Paupério, Diogo Risca, Afonso Lourenço, Goreti Marreiros, Ricardo Martins,
• Abstract要約: 産業のメンテナンスはモノのインターネットとエッジコンピューティングによって変化している。 本稿では,教師なし異常検出と対話型・人間-イン-ザ-ループ学習を統合し,メンテナンス決定を支援するフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 1.2722697496405462
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial maintenance is being transformed by the Internet of Things and edge computing, generating continuous data streams that demand real-time, adaptive decision-making under limited computational resources. While data stream mining (DSM) addresses this challenge, most methods assume fully supervised settings, yet in practice, ground-truth labels are often delayed or unavailable. This paper presents a collaborative DSM framework that integrates unsupervised anomaly detection with interactive, human-in-the-loop learning to support maintenance decisions. We employ an online Isolation Forest and enhance interpretability using incremental Partial Dependence Plots and a feature importance score, derived from deviations of Individual Conditional Expectation curves from a fading average, enabling users to dynamically reassess feature relevance and adjust anomaly thresholds. We describe the real-time implementation and provide initial results for fault detection in a Jacquard loom unit. Ongoing work targets continuous monitoring to predict and explain imminent bearing failures.
• Abstract（参考訳）: 産業のメンテナンスはモノのインターネットとエッジコンピューティングによって変革され、限られた計算資源の下でリアルタイムで適応的な意思決定を必要とする連続的なデータストリームが生成される。 データストリームマイニング(DSM)はこの課題に対処するが、ほとんどのメソッドは完全な教師付き設定を前提としている。 本稿では,教師なし異常検出と対話型人文学習を統合し,メンテナンス決定を支援する協調型DSMフレームワークを提案する。 我々は,オンライン孤立林を用いて,個別条件予測曲線のずれから得られる特徴重要度スコアとインクリメンタル部分依存プロットを用いた解釈可能性を高め,特徴関連性を動的に再評価し,異常閾値を調整できるようにする。 本稿では, 実時間実装について述べるとともに, Jacquard 織機における故障検出の初期結果について述べる。 進行中の作業は、差し迫ったベアリング障害を予測し、説明するために、継続的監視を目標とします。

関連論文リスト

• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• On Multi-entity, Multivariate Quickest Change Point Detection [2.0369245689839817]
  変更点検出(CPD)は、従来のセンシング手法が実現不可能なクラウドモニタリングのアプリケーションによって動機付けられている。 本稿では,正常度からの個人偏差(IDfN)の概念を紹介し,正常度を訓練した再構成エラーベースのオートエンコーダを用いて計算する。 平均値、分散値、カーネル密度推定値(KDE)を用いてこれらの個々の偏差を集約し、システムワイド異常スコア(SWAS)を生成する。 我々の教師なしアプローチはラベル付きデータや特徴抽出の必要性を排除し、ストリーミング入力のリアルタイム操作を可能にします。
  論文  参考訳（メタデータ） (2025-09-22T18:35:24Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Deep evolving semi-supervised anomaly detection [14.027613461156864]
  本研究の目的は,連続的半教師付き異常検出(CSAD)のタスクを形式化することである。 本稿では,半教師付きデータを扱うための変分オートエンコーダ(VAE)のベースラインモデルを提案する。
  論文  参考訳（メタデータ） (2024-12-01T15:48:37Z)
• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Federated Variational Learning for Anomaly Detection in Multivariate Time Series [13.328883578980237]
  本稿では,非教師付き時系列異常検出フレームワークを提案する。 我々は,畳み込みGated Recurrent Unit(ConvGRU)モデルに基づいて,共有変分オートエンコーダ(VAE)を学習するために,エッジに分散したトレーニングデータを残しておく。 3つの実世界のネットワークセンサーデータセットの実験は、他の最先端モデルに対する我々のアプローチの利点を示しています。
  論文  参考訳（メタデータ） (2021-08-18T22:23:15Z)

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。