論文の概要: Real-Time Adaptive Anomaly Detection in Industrial IoT Environments
- arxiv url: http://arxiv.org/abs/2601.03085v1
- Date: Tue, 06 Jan 2026 15:16:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-01-07 17:02:12.985991
- Title: Real-Time Adaptive Anomaly Detection in Industrial IoT Environments
- Title（参考訳）: 産業用IoT環境におけるリアルタイム適応型異常検出
- Authors: Mahsa Raeiszadeh, Amin Ebrahimzadeh, Roch H. Glitho, Johan Eker, Raquel A. F. Mini,
- Abstract要約: マルチソース予測モデルとコンセプトドリフト適応を用いて,IIoTストリーミングデータの異常を検出する適応手法を提案する。
提案手法は,89.71%の精度で最先端の異常検出法より優れていることを示す。
- 参考スコア（独自算出の注目度）: 2.4820910939873806
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To ensure reliability and service availability, next-generation networks are expected to rely on automated anomaly detection systems powered by advanced machine learning methods with the capability of handling multi-dimensional data. Such multi-dimensional, heterogeneous data occurs mostly in today's industrial Internet of Things (IIoT), where real-time detection of anomalies is critical to prevent impending failures and resolve them in a timely manner. However, existing anomaly detection methods often fall short of effectively coping with the complexity and dynamism of multi-dimensional data streams in IIoT. In this paper, we propose an adaptive method for detecting anomalies in IIoT streaming data utilizing a multi-source prediction model and concept drift adaptation. The proposed anomaly detection algorithm merges a prediction model into a novel drift adaptation method resulting in accurate and efficient anomaly detection that exhibits improved scalability. Our trace-driven evaluations indicate that the proposed method outperforms the state-of-the-art anomaly detection methods by achieving up to an 89.71% accuracy (in terms of Area under the Curve (AUC)) while meeting the given efficiency and scalability requirements.
- Abstract（参考訳）: 信頼性とサービスの可用性を確保するため、次世代ネットワークは、多次元データを扱う高度な機械学習手法を利用した自動異常検出システムに依存することが期待されている。
このような多次元の不均一なデータは、主に今日の産業用IoT(Internet of Things)で発生し、異常のリアルタイム検出は、差し迫った障害を防止し、タイムリーに解決するために重要である。
しかし、既存の異常検出手法は、IIoTにおける多次元データストリームの複雑さとダイナミズムに効果的に対応できないことが多い。
本稿では,マルチソース予測モデルとコンセプトドリフト適応を用いたIIoTストリーミングデータの異常検出手法を提案する。
提案した異常検出アルゴリズムは,予測モデルを新しいドリフト適応法にマージし,精度と効率のよい異常検出を行い,スケーラビリティの向上を図っている。
提案手法は, 提案手法の精度を89.71%(AUC)まで向上させ, 有効性とスケーラビリティの要件を満たすことにより, 最先端の異常検出手法よりも優れていることを示す。
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) - Real-Time Decorrelation-Based Anomaly Detection for Multivariate Time Series [1.4472678336151885]
異常検出は、様々な現実世界の領域で重要な役割を果たす。
リアルタイムADの需要は、(産業用)モノのインターネット(Internet of Things)の台頭とともに急増している。
本稿では,新しいリアルタイムデコリレーションに基づく異常検出手法であるDADを提案する。
論文 参考訳（メタデータ） (2025-07-10T08:56:40Z) - Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。
既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。
提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文 参考訳（メタデータ） (2025-03-19T05:25:52Z) - Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。
本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
論文 参考訳（メタデータ） (2024-01-06T07:30:41Z) - Real-Time Outlier Detection with Dynamic Process Limits [0.609170287691728]
本稿では,既存のリアルタイムインフラストラクチャを対象としたオンライン異常検出アルゴリズムを提案する。
オンライン逆累積分布に基づく手法を導入し、オフライン異常検出器の一般的な問題を排除した。
提案手法の利点は, 実マイクログリッド演算データの2例に示すように, 使いやすさ, 高速計算, 展開性である。
論文 参考訳（メタデータ） (2023-01-31T10:23:02Z) - A Robust and Explainable Data-Driven Anomaly Detection Approach For
Power Electronics [56.86150790999639]
本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。
行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。
検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
論文 参考訳（メタデータ） (2022-09-23T06:09:35Z) - Ranking-Based Physics-Informed Line Failure Detection in Power Grids [66.0797334582536]
ライン障害のリアルタイムかつ正確な検出は、極端な気象の影響を緩和し、緊急制御を活性化する最初のステップである。
電力収支方程式は、非線形性、極端な事象における発生の不確実性の増加、グリッドオブザーバビリティの欠如は、従来のデータ駆動障害検出手法の効率を損なう。
本稿では,グリッドトポロジ情報を利用した物理インフォームドライン故障検出器(FIELD)を提案する。
論文 参考訳（メタデータ） (2022-08-31T18:19:25Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z) - Adaptive Model Pooling for Online Deep Anomaly Detection from a Complex
Evolving Data Stream [15.599296461516984]
本稿では,自己エンコーダに基づくディープ・アノマリー検出手法を用いて,オンラインのディープ・アノマリー検出のためのフレームワークARCUSを提案する。
適応型モデルプーリングアプローチと2つの新しいテクニックを使って、複雑なデータストリームと進化するデータストリームを処理する。
高次元とコンセプトドリフトの両方の10データセットを用いた総合的な実験において、ARCUSは、最先端のオートエンコーダベースの手法のストリーミング変種を、それぞれ最大22%と37%の精度で検出した。
論文 参考訳（メタデータ） (2022-06-09T23:11:43Z) - Adaptive Anomaly Detection for Internet of Things in Hierarchical Edge
Computing: A Contextual-Bandit Approach [81.5261621619557]
階層エッジコンピューティング(HEC)を用いた適応型異常検出手法を提案する。
まず,複雑性を増した複数のDNNモデルを構築し,それぞれを対応するHEC層に関連付ける。
そこで我々は、文脈帯域問題として定式化され、強化学習ポリシーネットワークを用いて解決される適応モデル選択スキームを設計する。
論文 参考訳（メタデータ） (2021-08-09T08:45:47Z) - A Survey on Anomaly Detection for Technical Systems using LSTM Networks [0.0]
異常は、意図されたシステムの動作から逸脱し、部分的または完全なシステム障害と同様に効率が低下する可能性がある。
本稿では,ディープニューラルネットワーク,特に長期記憶ネットワークを用いた最先端異常検出に関する調査を行う。
調査したアプローチは、アプリケーションシナリオ、データ、異常タイプ、およびさらなるメトリクスに基づいて評価される。
論文 参考訳（メタデータ） (2021-05-28T13:24:40Z) - TadGAN: Time Series Anomaly Detection Using Generative Adversarial
Networks [73.01104041298031]
TadGANは、GAN(Generative Adversarial Networks)上に構築された教師なしの異常検出手法である。
時系列の時間相関を捉えるために,ジェネレータと批評家のベースモデルとしてLSTMリカレントニューラルネットワークを用いる。
提案手法の性能と一般化性を示すため,いくつかの異常スコアリング手法を検証し,最も適した手法を報告する。
論文 参考訳（メタデータ） (2020-09-16T15:52:04Z)
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。