論文の概要: Unsupervised Anomaly Detection in Process-Complex Industrial Time Series: A Real-World Case Study

• arxiv url: http://arxiv.org/abs/2604.13928v1
• Date: Wed, 15 Apr 2026 14:35:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.583313
• Title: Unsupervised Anomaly Detection in Process-Complex Industrial Time Series: A Real-World Case Study
• Title（参考訳）: プロセス複雑産業時系列における教師なし異常検出:実世界の事例研究
• Authors: Sergej Krasnikov, Lukas Meitz, Samineh Bagheri, Michael Heider, Thorsten Schöler, Jörg Hähner,
• Abstract要約: 簡易な条件下で検証された異常検出法は 工業的な設定に 一般化できないことが多い 本研究は, 完全に稼働する産業機械から収集したユニークなデータセットに関する実証的研究である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Industrial time-series data from real production environments exhibits substantially higher complexity than commonly used benchmark datasets, primarily due to heterogeneous, multi-stage operational processes. As a result, anomaly detection methods validated under simplified conditions often fail to generalize to industrial settings. This work presents an empirical study on a unique dataset collected from fully operational industrial machinery, explicitly capturing pronounced process-induced variability. We evaluate which model classes are capable of capturing this complexity, starting with a classical Isolation Forest baseline and extending to multiple autoencoder architectures. Experimental results show that Isolation Forest is insufficient for modeling the non-periodic, multi-scale dynamics present in the data, whereas autoencoders consistently perform better. Among them, temporal convolutional autoencoders achieve the most robust performance, while recurrent and variational variants require more careful tuning.
• Abstract（参考訳）: 実運用環境からの産業時系列データは、一般的なベンチマークデータセットよりもかなり複雑で、主に異質で多段階の運用プロセスが原因である。 その結果, 簡易な条件下で検証された異常検出法は, 産業環境への一般化に失敗することが多い。 本研究は, 産業機械から収集したユニークなデータセットに関する実証的研究であり, プロセス誘起の変動を顕著に捉えたものである。 我々は、古典的な孤立林の基準線から始まり、複数のオートエンコーダアーキテクチャにまで拡張し、どのモデルクラスがこの複雑さを捉えることができるかを評価する。 実験結果から,データに含まれる非周期的,マルチスケールのダイナミクスをモデル化するには分離林が不十分であることが示唆された。 それらの中で、時間的畳み込みオートエンコーダは最も堅牢な性能を達成する一方、反復および変分変分はより注意深くチューニングする必要がある。

関連論文リスト

• SERM: Self-Evolving Relevance Model with Agent-Driven Learning from Massive Query Streams [53.78257200138774]
  本稿では,2つの相補的マルチエージェントモジュールからなる自己進化関連モデル(SERM)を提案する。 我々はSERMを大規模産業環境で評価し、毎日数十億のユーザリクエストを処理している。
  論文  参考訳（メタデータ） (2026-01-14T14:31:16Z)
• FusAD: Time-Frequency Fusion with Adaptive Denoising for General Time Series Analysis [92.23551599659186]
  時系列分析は、金融、医療、産業、気象学などの分野において重要な役割を果たす。 FusADは多様な時系列タスク用に設計された統合分析フレームワークである。
  論文  参考訳（メタデータ） (2025-12-16T04:34:27Z)
• Collaborative Reconstruction and Repair for Multi-class Industrial Anomaly Detection [37.057760207060554]
  コラボレーティブ・リコンストラクション・アンド・リコンストラクション(CRR)は、リコンストラクションを修復に変換する。 我々は,デコーダからの表現が十分なローカル情報を含むことを保証するために,特徴レベルのランダムマスキングを実装した。 我々は,合成異常マスクによって教師されるセグメンテーションネットワークを訓練し,ローカライゼーション性能を向上させる。
  論文  参考訳（メタデータ） (2025-12-12T09:24:23Z)
• DiffSDA: Unsupervised Diffusion Sequential Disentanglement Across Modalities [27.918193673708473]
  本稿では,Diffusion Sequential Disentanglement Autoencoder (DiffSDA)を紹介する。 実世界の多種多様なベンチマーク実験により、DiffSDAは最近の最先端の手法よりも逐次的非絡み合いの方が優れていることが示された。
  論文  参考訳（メタデータ） (2025-10-07T09:30:36Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Multivariate Time Series Anomaly Detection in Industry 5.0 [0.5617572524191751]
  製造ラインのセンサ化は、プロセスを観測しやすくする一方で、膨大な時系列データを継続的に分析するという課題も生んでいる。 有望なアプローチは、埋め込みモデルと他の機械学習アルゴリズムを組み合わせることで、異常を検出する全体的なパフォーマンスを高めることである。 ボニフィリオーリ工場から収集したデータを用いて,本ソリューションを実産業利用事例で検証した。
  論文  参考訳（メタデータ） (2025-03-20T08:38:58Z)
• Time-EAPCR-T: A Universal Deep Learning Approach for Anomaly Detection in Industrial Equipment [10.980851641662662]
  産業データは、マルチソースの不均一性、非線形性、強い結合、時間的相互作用などの特性を示す。 従来の機械学習アプローチは、処理能力と一般化能力の制限により、このような複雑なデータに苦しむことが多い。 本研究では,Transformer が Time-EAPCR の時系列処理コンポーネントである LSTM モジュールを置き換える新しいモデル Time-EAPCR-T を提案する。
  論文  参考訳（メタデータ） (2025-03-16T14:54:34Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Consistency of mechanistic causal discovery in continuous-time using Neural ODEs [85.7910042199734]
  ダイナミカルシステムの研究において,連続時間における因果的発見を検討する。 本稿では,ニューラルネットワークを用いた因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-05-06T08:48:02Z)
• On Disentanglement in Gaussian Process Variational Autoencoders [3.403279506246879]
  時系列データ上で異なるタスクに成功しているモデルを最近導入した。 本モデルでは,各潜伏チャネルをGP前にモデル化し,構造的変動分布を用いることで,データの時間的構造を利用する。 実世界の医療時系列データから有意義な不整合表現を学習できる証拠を提供する。
  論文  参考訳（メタデータ） (2021-02-10T15:49:27Z)

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。