論文の概要: Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams
- arxiv url: http://arxiv.org/abs/2603.18032v1
- Date: Mon, 09 Mar 2026 07:50:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-23 08:17:42.405565
- Title: Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams
- Title（参考訳）: 産業データストリームにおける失敗とドメインシフトの差別化に向けて
- Authors: Natalia Wojak-Strzelecka, Szymon Bobek, Grzegorz J. Nalepa, Jerzy Stefanowski,
- Abstract要約: 異常検出法と故障検出法は,正常なシステム動作条件からの逸脱を特定する上で重要である。
多くの応用において、データの変化は必ずしも異常なシステム状態を表すとは限らない。
本稿では,データ分布や異常の変化を検出する手法を提案するとともに,障害と通常のドメインシフトを区別する手法を提案する。
- 参考スコア（独自算出の注目度）: 9.72380657644988
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Anomaly and failure detection methods are crucial in identifying deviations from normal system operational conditions, which allows for actions to be taken in advance, usually preventing more serious damages. Long-lasting deviations indicate failures, while sudden, isolated changes in the data indicate anomalies. However, in many practical applications, changes in the data do not always represent abnormal system states. Such changes may be recognized incorrectly as failures, while being a normal evolution of the system, e.g. referring to characteristics of starting the processing of a new product, i.e. realizing a domain shift. Therefore, distinguishing between failures and such ''healthy'' changes in data distribution is critical to ensure the practical robustness of the system. In this paper, we propose a method that not only detects changes in the data distribution and anomalies but also allows us to distinguish between failures and normal domain shifts inherent to a given process. The proposed method consists of a modified Page-Hinkley changepoint detector for identification of the domain shift and possible failures and supervised domain-adaptation-based algorithms for fast, online anomaly detection. These two are coupled with an explainable artificial intelligence (XAI) component that aims at helping the human operator to finally differentiate between domain shifts and failures. The method is illustrated by an experiment on a data stream from the steel factory.
- Abstract（参考訳）: 異常検出法と故障検出法は、正常なシステム運用条件からの逸脱を特定するのに不可欠であり、前もって行動を起こすことができ、通常より深刻な損傷を防止できる。
長期にわたる偏差は障害を示すが、突然、データの孤立した変化は異常を示す。
しかし、多くの実用的な応用において、データの変化は必ずしも異常なシステム状態を表すとは限らない。
このような変化は、システムの通常の進化であると同時に、例えば、新しい製品の処理を開始する特性、すなわちドメインシフトを実現する特性を参照しながら、失敗として正しく認識することができる。
したがって、データ配信における障害とこのような「健全」な変化を区別することは、システムの実用的堅牢性を保証するために重要である。
本稿では,データ分布や異常の変化を検知するだけでなく,プロセス固有の障害と通常のドメインシフトを識別する手法を提案する。
提案手法は、ドメインシフトと可能な障害を識別するための修正されたPage-Hinkley変更点検出器と、高速でオンラインな異常検出のための教師付きドメイン適応ベースのアルゴリズムから構成される。
これら2つのコンポーネントには説明可能な人工知能(XAI)コンポーネントが組み込まれている。
この方法は、鉄鋼工場のデータストリームの実験によって説明される。
関連論文リスト
- Universal Transformation of One-Class Classifiers for Unsupervised Anomaly Detection [51.73001988341294]
異常検出は通常、一級分類問題として定式化される。
本稿では,任意の1クラス分類器に基づく異常検出器を,完全に教師なしの手法に変換するデータセット折り畳み方式を提案する。
論文 参考訳（メタデータ） (2026-02-13T16:54:12Z) - 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) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。
本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
論文 参考訳（メタデータ） (2024-06-06T15:53:14Z) - Improving Intrusion Detection with Domain-Invariant Representation Learning in Latent Space [5.823403993020438]
本稿では,関連ドメイン間の情報を統合潜在空間に融合するマルチタスク表現学習手法を提案する。
分類,再構成,相互情報の正規化損失を共同で最適化することにより,素早い相関を解消する最小限(ボトルネック)のドメイン不変表現を学習する。
実験により, 各種異常検出データセットのゼロデイ, 新規異常検出において, 大幅な改善が認められた。
論文 参考訳（メタデータ） (2023-12-28T17:24:13Z) - 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) - Power System Anomaly Detection and Classification Utilizing WLS-EKF
State Estimation and Machine Learning [0.0]
電力系統の状態推定は様々な種類の異常に直面している。
これらは、粗大な測定エラーや通信システム障害によって引き起こされる悪いデータを含むかもしれない。
電力グリッドをサイバー物理システムとして考えると、状態推定は偽のデータ注入攻撃に対して脆弱になる。
論文 参考訳（メタデータ） (2022-09-26T12:24:59Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - 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)
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。