論文の概要: Cross-Machine Anomaly Detection Leveraging Pre-trained Time-series Model

• arxiv url: http://arxiv.org/abs/2604.05335v1
• Date: Tue, 07 Apr 2026 02:16:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.5743
• Title: Cross-Machine Anomaly Detection Leveraging Pre-trained Time-series Model
• Title（参考訳）: 事前学習時系列モデルを利用したクロスマシン異常検出
• Authors: Yangmeng Li, Kei Sano, Toshihiro Kitao, Ryoji Anzaki, Yukiya Saitoh, Hironori Moki, Dragan Djurdjanovic,
• Abstract要約: 本稿では,ドメイン不変抽出器と教師なし異常検出モジュールを統合した,マシン間時間系列異常検出フレームワークを提案する。 3つの異なるマシンから収集した産業用データセットを用いた実験により,提案手法が生信号ベースおよびMOMENT埋め込み特性ベースラインよりも優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.6156528407876973
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Achieving resilient and high-quality manufacturing requires reliable data-driven anomaly detection methods that are capable of addressing differences in behaviors among different individual machines which are nominally the same and are executing the same processes. To address the problem of detecting anomalies in a machine using sensory data gathered from different individual machines executing the same procedure, this paper proposes a cross-machine time-series anomaly detection framework that integrates a domain-invariant feature extractor with an unsupervised anomaly detection module. Leveraging the pre-trained foundation model MOMENT, the extractor employs Random Forest Classifiers to disentangle embeddings into machine-related and condition-related features, with the latter serving as representations which are invariant to differences between individual machines. These refined features enable the downstream anomaly detectors to generalize effectively to unseen target machines. Experiments on an industrial dataset collected from three different machines performing nominally the same operation demonstrate that the proposed approach outperforms both the raw-signal-based and MOMENT-embedding feature baselines, confirming its effectiveness in enhancing cross-machine generalization.
• Abstract（参考訳）: レジリエントで高品質な製造を実現するには、データ駆動の異常検出方法が必要であり、これは、名目上同じ、同じプロセスを実行している異なる個々のマシン間の動作の違いに対処することができる。 そこで本研究では, 異なる個別マシンから収集したセンサデータを用いて, 機械内の異常検出を行う問題に対処するため, ドメイン不変の特徴抽出器と教師なし異常検出モジュールを統合した, クロスマシン・時系列異常検出フレームワークを提案する。 事前訓練された基礎モデルMOMENTを利用して、抽出器はランダムフォレスト分類器を使用して、マシン関連および条件関連の特徴への埋め込みをアンタングルし、後者は個々のマシンの違いに不変な表現として機能する。 これらの改良された特徴により、下流の異常検知器は、目に見えないターゲットマシンに効果的に一般化できる。 3つの異なるマシンから収集した産業用データセットを用いた実験により,提案手法が生信号ベースおよびMOMENT埋め込み特性ベースラインより優れており,機械間一般化の促進に有効であることが確認された。

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)
• MIMII-Agent: Leveraging LLMs with Function Calling for Relative Evaluation of Anomalous Sound Detection [5.578413517654703]
  本研究では, 教師なし音響検出システムの相対性能を評価するために, 機械種別異常を生成する手法を提案する。 大規模言語モデル(LLM)を用いて,故障のテキスト記述を解釈し,音声変換機能を自動的に選択する。
  論文  参考訳（メタデータ） (2025-07-28T09:42:41Z)
• 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)
• Statistical Batch-Based Bearing Fault Detection [0.0]
  回転機械の領域では、ベアリングはボール、インナーおよびアウターレース断層を含む異なる機械的断層に対して脆弱である。 古典的な信号分析から深層学習まで、様々な手法が条件に基づくモニタリングに利用できる。
  論文  参考訳（メタデータ） (2024-07-24T12:45:02Z)
• 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)
• Hierarchical Conditional Variational Autoencoder Based Acoustic Anomaly Detection [8.136103644634348]
  既存手法としては、ディープオートエンコーダ(DAE)、変分オートエンコーダ(VAE)、条件変分オートエンコーダ(CVAE)などがある。 階層型条件変分オートエンコーダ(HCVAE)と呼ばれる新しい手法を提案する。 この方法は、産業施設に関する利用可能な分類学的階層的知識を利用して、潜在空間の表現を洗練させる。
  論文  参考訳（メタデータ） (2022-06-11T08:15:01Z)
• Autoencoder-based Condition Monitoring and Anomaly Detection Method for Rotating Machines [0.19116784879310028]
  自動エンコーダモデルに基づく回転機の状態監視手法を異常検出手法を用いて提案する。 提案手法は, 生の振動信号から塩分の特徴を直接抽出できる。 2つの実世界のデータセットにおける実験結果は、提案手法が有望な結果をもたらすことを示している。
  論文  参考訳（メタデータ） (2021-01-27T16:49:49Z)
• A Novel Anomaly Detection Algorithm for Hybrid Production Systems based on Deep Learning and Timed Automata [73.38551379469533]
  DAD:DeepAnomalyDetectionは,ハイブリッド生産システムにおける自動モデル学習と異常検出のための新しいアプローチである。 深層学習とタイムドオートマトンを組み合わせて、観察から行動モデルを作成する。 このアルゴリズムは実システムからの2つのデータを含む少数のデータセットに適用され、有望な結果を示している。
  論文  参考訳（メタデータ） (2020-10-29T08:27:43Z)
• Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
  本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。 我々は,再建基準の代替として,異常スコアの代替尺度を提案した。 提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2020-03-24T08:26:58Z)

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。