Fugu-MT 論文翻訳(概要): A Multivariate Statistical Framework for Detection, Classification and Pre-localization of Anomalies in Water Distribution Networks

論文の概要: A Multivariate Statistical Framework for Detection, Classification and Pre-localization of Anomalies in Water Distribution Networks

arxiv url: http://arxiv.org/abs/2512.15685v1
Date: Wed, 17 Dec 2025 18:38:37 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-18 17:06:27.103658
Title: A Multivariate Statistical Framework for Detection, Classification and Pre-localization of Anomalies in Water Distribution Networks
Title（参考訳）: 配水網における異常検出・分類・前位置決定のための多変量統計フレームワーク
Authors: Oleg Melnikov, Yurii Dorofieiev, Yurii Shakhnovskiy, Huy Truong, Victoria Degeler,
Abstract要約: SICAMS (Statistical Identification and Classification of Anomalies in Mahalanobis Space) はヘテロジニアス圧力と流量センサデータを処理する。 Hotellingの$T2$ statisticは、異常検出の定式化を可能にする。センサを統計的寄与に応じて位置決めする粗いリーク位置決め法が提案されている。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper presents a unified framework, for the detection, classification, and preliminary localization of anomalies in water distribution networks using multivariate statistical analysis. The approach, termed SICAMS (Statistical Identification and Classification of Anomalies in Mahalanobis Space), processes heterogeneous pressure and flow sensor data through a whitening transformation to eliminate spatial correlations among measurements. Based on the transformed data, the Hotelling's $T^2$ statistic is constructed, enabling the formulation of anomaly detection as a statistical hypothesis test of network conformity to normal operating conditions. It is shown that Hotelling's $T^2$ statistic can serve as an integral indicator of the overall "health" of the system, exhibiting correlation with total leakage volume, and thereby enabling approximate estimation of water losses via a regression model. A heuristic algorithm is developed to analyze the $T^2$ time series and classify detected anomalies into abrupt leaks, incipient leaks, and sensor malfunctions. Furthermore, a coarse leak localization method is proposed, which ranks sensors according to their statistical contribution and employs Laplacian interpolation to approximate the affected region within the network. Application of the proposed framework to the BattLeDIM L-Town benchmark dataset demonstrates high sensitivity and reliability in leak detection, maintaining robust performance even under multiple leaks. These capabilities make the method applicable to real-world operational environments without the need for a calibrated hydraulic model.
Abstract（参考訳）: 本稿では,多変量統計解析を用いた配水網における異常検出,分類,予備的位置決めのための統一的な枠組みを提案する。 SICAMS (Statistical Identification and Classification of Anomalies in Mahalanobis Space) と呼ばれるこの手法は、ホワイトニング変換を通じて不均一な圧力と流れセンサーデータを処理し、測定間の空間的相関を排除している。変換されたデータに基づいて、Hotellingの$T^2$統計学が構築され、正常な動作条件に対するネットワーク適合性の統計的仮説テストとして異常検出の定式化を可能にした。その結果,Hotelling の$T^2$ statistic はシステム全体の "健康" の指標として機能し,総漏水量と相関を示し,回帰モデルによる水損失の近似推定を可能にした。 The heuristic algorithm was developed to analyze the $T^2$ time series and identified annomalies into arupt leaks, incipient leaks, and sensor malfunctions。さらに,その統計的寄与に応じてセンサを位置決めし,ネットワーク内の影響領域を近似するためにラプラシアン補間を用いる粗大なリークローカライズ手法を提案する。提案したフレームワークをBattLeDIM L-Townベンチマークデータセットに適用すると,リーク検出の感度と信頼性が向上し,複数リーク下でも堅牢な性能が維持できる。これらの能力により、キャリブレーションされた油圧モデルを必要としない実世界の運用環境に適用できる。

関連論文リスト

Adaptive Sampling for Hydrodynamic Stability [0.0]
The study extends the machine-learning approach of Silvester (Machine Learning fordynamicdynamic stability, arXiv:2407.09572) 提案手法は,パラメータ空間のサンプリングを自動的に洗練するフローベース深層生成モデルにより適応性を導入する。 KRnetは、高エントロピー領域のサンプリングに集中する確率密度関数を近似するように訓練されている。
論文参考訳（メタデータ） (2025-12-15T17:00:09Z)
Conformal Prediction for Multi-Source Detection on a Network [59.17729745907474]
マルチソース検出問題について検討する。グラフ上のノード感染状況のスナップショットが与えられた場合、伝播を開始するソースノードのセットを推定する。本稿では,ソースセット検出のための統計的に有効なリコール保証を提供する新しいコンフォメーション予測フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-12T01:09:56Z)
An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
論文参考訳（メタデータ） (2025-11-01T10:19:00Z)
CoCAI: Copula-based Conformal Anomaly Identification for Multivariate Time-Series [0.3495246564946556]
本稿では、生成人工知能とコプラに基づくモデリングの力を利用して、正確な予測を行い、堅牢な異常検出を可能にする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） (2025-07-23T14:15:31Z)
CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
論文参考訳（メタデータ） (2025-06-13T13:30:15Z)
An Evaluation of Real-time Adaptive Sampling Change Point Detection Algorithm using KCUSUM [4.610597418629838]
本稿では,Kernel-based Cumulative Sum (KCUSUM)アルゴリズムを導入し,従来のCumulative Sum (CUSUM) 法を非パラメトリック拡張する。 KCUSUMは、入ってくるサンプルを参照サンプルと直接比較することで自身を分割し、最大平均離散(MMD)非パラメトリックフレームワークに基礎を置く統計を計算する。我々は,NWChem CODARやタンパク質折り畳みデータなどの科学シミュレーションによる実世界のユースケースについて論じ,オンライン変化点検出におけるKCUSUMの有効性を実証した。
論文参考訳（メタデータ） (2024-02-15T19:45:24Z)
MSFlow: Multi-Scale Flow-based Framework for Unsupervised Anomaly Detection [124.52227588930543]
教師なし異常検出(UAD)は多くの研究の関心を集め、幅広い応用を推進している。不明瞭だが強力な統計モデルである正規化フローは、教師なしの方法で異常検出と局所化に適している。非対称な並列フローと融合フローからなるMSFlowと呼ばれる新しいマルチスケールフローベースフレームワークを提案する。我々のMSFlowは、検出AUORCスコアが99.7%、ローカライゼーションAUCROCスコアが98.8%、プロスコアが97.1%の新たな最先端技術を実現している。
論文参考訳（メタデータ） (2023-08-29T13:38:35Z)
Meta Learning Low Rank Covariance Factors for Energy-Based Deterministic Uncertainty [58.144520501201995]
ニューラルネットワーク層のBi-Lipschitz正規化は、各レイヤの特徴空間におけるデータインスタンス間の相対距離を保存する。注意セットエンコーダを用いて,タスク固有の共分散行列を効率的に構築するために,対角的,対角的,低ランクな要素のメタ学習を提案する。また,最終的な予測分布を達成するために,スケールしたエネルギーを利用する推論手法を提案する。
論文参考訳（メタデータ） (2021-10-12T22:04:19Z)
Statistical control for spatio-temporal MEG/EEG source imaging with desparsified multi-task Lasso [102.84915019938413]
脳磁図(MEG)や脳電図(EEG)のような非侵襲的手法は、非侵襲的手法を約束する。ソースローカライゼーション(ソースイメージング)の問題は、しかしながら、高次元の統計的推測問題を引き起こす。この問題に対処するために,分離されたマルチタスクラッソ(ecd-MTLasso)のアンサンブルを提案する。
論文参考訳（メタデータ） (2020-09-29T21:17:16Z)
Calibration of Neural Networks using Splines [51.42640515410253]
キャリブレーション誤差の測定は、2つの経験的分布を比較します。古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
論文参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。