論文の概要: Topological Data Analysis for High-Dimensional Dynamic Process Monitoring

• arxiv url: http://arxiv.org/abs/2606.20443v1
• Date: Thu, 18 Jun 2026 16:22:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.98324
• Title: Topological Data Analysis for High-Dimensional Dynamic Process Monitoring
• Title（参考訳）: 高次元動的プロセスモニタリングのためのトポロジカルデータ解析
• Authors: Angan Mukherjee, Tyler A. Soderstrom, Michael J. Kurtz, Victor M. Zavala,
• Abstract要約: 本稿では,トポロジカルデータ解析と機械学習を組み合わせたプロセス監視手法を提案する。 このトラジェクトリに基づくイベント検出手法は,様々な種類のイベントを検出するのに有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Real-time process monitoring requires methods that extract actionable information from high-dimensional time-series data. In this work, we present a new approach for process monitoring that combines tools of topological data analysis (TDA) and machine learning. In the proposed approach, we represent multivariate time-series data as manifolds and use topological descriptors to summarize the structure of such data; we then use a neural ordinary differential equation to learn the dynamic evolution of the topological structure of the system. Using real data from an industrial process, we show that this trajectory-based event detection approach is effective at detecting diverse types of events. We contrast this approach against reconstruction-based approaches such as principal component analysis and autoencoders and against a trajectory-based approach that uses Koopman autoencoders.
• Abstract（参考訳）: リアルタイムプロセス監視には,高次元時系列データから実行可能な情報を抽出する手法が必要である。 本研究では、トポロジカルデータ分析(TDA)と機械学習を組み合わせたプロセスモニタリングの新しい手法を提案する。 提案手法では,多変量時系列データを多様体として表現し,その構造を要約するためにトポロジカル記述子を用いる。 産業プロセスの実際のデータを用いて,この軌跡に基づく事象検出手法は多様な事象を検出するのに有効であることを示す。 提案手法は、主成分分析やオートエンコーダなどの再構成に基づくアプローチと、クープマンオートエンコーダを用いた軌道ベースアプローチとを対比する。

関連論文リスト

• Sequential Inference for Gaussian Processes: A Signal Processing Perspective [45.00250014235801]
  ガウス過程(英: Gaussian process、GP)は、ランダム関数をモデル化するためのフレキシブルだが原則化されたフレームワークである。 我々はGPの自己完結型チュートリアルスタイルの概要を提供し、近年の逐次的、漸進的、あるいはストリーミング推論の方法論的進歩に焦点を当てている。 我々が調査した多くの研究は、状態空間モデリング、逐次回帰と予測、時系列における異常検出、逐次ベイズ最適化、適応およびアクティブセンシング、シーケンシャル検出と意思決定に直接応用されている。
  論文  参考訳（メタデータ） (2026-04-30T17:48:09Z)
• Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
  本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。 複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。 その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-08-13T00:35:58Z)
• Navigating the Latent Space Dynamics of Neural Models [45.503229142378814]
  我々は、潜在多様体に作用する力学系として、ニューラルモデルの別の解釈を示す。 オートエンコーダモデルは、符号化復号写像を反復的に適用することによって導かれる、多様体上の潜在ベクトル場を暗黙的に定義することを示す。 本稿では,ベクトル場をネットワークの表現として活用し,モデルとデータの特性を解析するための新しいツールを提案する。
  論文  参考訳（メタデータ） (2025-05-28T18:57:41Z)
• Transforming Multidimensional Time Series into Interpretable Event Sequences for Advanced Data Mining [5.2863523790908955]
  本稿では,多次元時系列解析における従来の手法の限界に対処する新しい表現モデルを提案する。 提案するフレームワークは,ITインフラの監視と最適化,継続的な患者モニタリングによる診断,トレンド分析,インターネットビジネスによるユーザ行動の追跡,予測など,さまざまな分野のアプリケーションに対して大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2024-09-22T06:27:07Z)
• Score-based Data Assimilation [7.215767098253208]
  軌道推定のためのスコアベースのデータ同化を導入する。 我々は、任意の長さの軌道のスコアを、短いセグメントにまたがって一連のスコアに分解できるというキーインサイトに基づいて、状態軌道のスコアに基づく生成モデルを学ぶ。
  論文  参考訳（メタデータ） (2023-06-18T14:22:03Z)
• Automated Evolutionary Approach for the Design of Composite Machine Learning Pipelines [48.7576911714538]
  提案手法は、複合機械学習パイプラインの設計を自動化することを目的としている。 パイプラインをカスタマイズ可能なグラフベースの構造で設計し、得られた結果を分析して再生する。 このアプローチのソフトウェア実装は、オープンソースフレームワークとして紹介されている。
  論文  参考訳（メタデータ） (2021-06-26T23:19:06Z)
• On Contrastive Representations of Stochastic Processes [53.21653429290478]
  プロセスの表現を学習することは、機械学習の新たな問題である。 本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-18T11:00:24Z)
• Scalable nonparametric Bayesian learning for heterogeneous and dynamic velocity fields [8.744017403796406]
  速度場データの不均一および動的パターンを学習するモデルを開発した。 複雑な多車間相互作用のNGSIMデータセットに対して,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2021-02-15T17:45:46Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Forecasting Sequential Data using Consistent Koopman Autoencoders [52.209416711500005]
  クープマン理論に関連する新しい物理学に基づく手法が導入された。 本稿では,既存の作業の多くと異なり,前方・後方のダイナミクスを生かした新しいコンシスタント・クープマン・オートエンコーダモデルを提案する。 このアプローチの鍵となるのは、一貫性のある力学と関連するクープマン作用素との相互作用を探索する新しい解析である。
  論文  参考訳（メタデータ） (2020-03-04T18:24:30Z)

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。