Fugu-MT 論文翻訳(概要): Early Failure Prediction from Near-Anomaly Detection: A Proactive Approach

論文の概要: Early Failure Prediction from Near-Anomaly Detection: A Proactive Approach

arxiv url: http://arxiv.org/abs/2607.26704v1
Date: Wed, 29 Jul 2026 09:49:58 GMT
ステータス: 翻訳完了
システム内更新日: 2026-07-30 21:06:25.61569
Title: Early Failure Prediction from Near-Anomaly Detection: A Proactive Approach
Title（参考訳）: 近接異常検出による早期故障予測:前向きアプローチ
Abstract要約: 異常検出法はしばしば分布境界付近のサンプルに対して不確実な挙動を持つ。この研究は、まだ異常ではないが境界に近づき、近い将来に異常に移行するであろう近異常の概念を導入している。本研究では,CANARI(eaRly dIscovery, eaRly dIscovery, eaRly dIscovery)のためのChristoffel-based Anomaly Precipation法を提案する。
参考スコア（独自算出の注目度）: 39.51104389161474
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Anomaly detection methods often have uncertain behavior with respect to samples near the distribution boundary, limiting their ability to anticipate future anomalies. This work introduces the concept of near-anomalies that, while not yet anomalous, lie close to the boundary and are likely to transition into anomalies in the near future. To address this, we propose an unsupervised method, named Christoffel-based ANomaly Anticipation for eaRly dIscovery (CANARI), which leverages the strong theoretical foundations of the Christoffel function to detect near-anomalies. The method is validated on industrial in-circuit testing data from printed circuit boards, with synthetically generated near-anomaly samples due to the lack of real-world data labeling. Experimental results show that CANARI outperforms the compared baselines that generally use a dual-threshold mechanism (one for anomalies and one for near-anomalies). It therefore provides a proactive solution for anticipating anomalies before they occur, offering a promising approach for resilience, predictive maintenance, and quality control.
Abstract（参考訳）: 異常検出法はしばしば分布境界付近のサンプルに対して不確実な振る舞いを持ち、将来の異常を予測できる能力を制限する。この研究は、まだ異常ではないが境界に近づき、近い将来に異常に移行するであろう近異常の概念を導入している。この問題を解決するために,Christoffel 関数の強い理論的基礎を活用して近傍異常を検出する,Christoffel ベースの Anomaly Precipation for eaRly dIscovery (CANARI) という教師なしの手法を提案する。本手法は, 回路基板からの産業用回路内試験データに対して, 実世界のデータラベリングが欠如していることから, 合成合成されたニアアノマリーサンプルを用いて検証した。実験結果から、CANARIは二重閾値機構(異常は1つ、ほぼ異常は1つ)を用いた比較ベースラインよりも優れていた。そのため、発生前に異常を予測するための積極的なソリューションを提供し、レジリエンス、予測保守、品質管理のための有望なアプローチを提供する。

関連論文リスト

Rethinking Structural Anomaly Detection: From Decision Boundaries to Projection Operators [51.771100367755544]
本稿では,既存手法の帰納バイアスとデータ構造とのミスマッチに対処する幾何学的視点を提案する。具体的には、正規サンプルの多様体上の射影作用素を学習し、この射影によって変更される場合、サンプルを異常として定義する。特に、プロジェクション品質の観点から、その成功と失敗を説明することによって、再構築に基づく手法の統一的な解釈を提供する。
論文参考訳（メタデータ） (2026-06-13T12:37:20Z)
TPA-AD: A Two-Stage Pseudo Anomaly-Guided Method for Bearing Time-Series Anomaly Detection [15.271061413934332]
2段階の擬似異常誘導型異常検出法を提案する。通常の境界付近で擬似非正則ウィンドウを生成する。ノーマルウィンドウと擬似アノマラスウィンドウの対比学習を通じて、異常に敏感な表現を学習する。
論文参考訳（メタデータ） (2026-06-02T15:39:10Z)
FUN-AD: Fully Unsupervised Learning for Anomaly Detection with Noisy Training Data [1.0650780147044159]
ラベルなしおよび潜在的に汚染されたトレーニングデータを用いた完全教師なし異常検出のための新しい学習ベースアプローチを提案する。本手法は, 2つの観測結果から, 正常試料間の対特徴距離が, 異常試料や異種試料間の対特徴距離よりも平均的に小さい可能性が示唆され, 互いに近接する2つの特徴対が等質な対である可能性が示唆された。本研究は, 近接する近傍距離が信頼度の高いサンプルと異常を区別できることを示す最初の観測結果に基づいて, 反復的に再構成されたメモリバンクを用いた擬似ラベル方式を提案する。
論文参考訳（メタデータ） (2024-11-25T05:51:38Z)
Adversarially Robust Industrial Anomaly Detection Through Diffusion Model [23.97654469255749]
そこで本研究では, 拡散モデルを用いて, 逆解析器と逆解析器の両方を動作させることができる, 簡易かつ効果的な逆解析手法である textitAdvRAD を提案する。提案手法は,産業用異常検出ベンチマークデータセットの最先端手法と同等に強い異常検出性能を維持しつつ,優れた(認証された)対向性を示す。
論文参考訳（メタデータ） (2024-08-09T03:25:19Z)
Don't Miss Out on Novelty: Importance of Novel Features for Deep Anomaly Detection [64.21963650519312]
異常検出(AD)は、正規性の学習モデルに適合しない観察を識別する重要なタスクである。本稿では, 入力空間における説明不能な観測として, 説明可能性を用いた新しいAD手法を提案する。当社のアプローチでは,複数のベンチマークにまたがる新たな最先端性を確立し,さまざまな異常な型を扱う。
論文参考訳（メタデータ） (2023-10-01T21:24:05Z)
Maat: Performance Metric Anomaly Anticipation for Cloud Services with Conditional Diffusion [32.86745044103766]
既存の異常検出技術は、リアルタイム検出のみに焦点を合わせており、異常が発生したら即座に異常警報が発行される。本稿では,クラウドサービスのパフォーマンス指標の異常予測に対処する最初の試みであるMaatを提案する。 Maatは、予測値の予測と予測値の異常検出からなる、新しい2段階の予測パラダイムを採用している。
論文参考訳（メタデータ） (2023-08-15T09:50:15Z)
RoSAS: Deep Semi-Supervised Anomaly Detection with Contamination-Resilient Continuous Supervision [21.393509817509464]
本稿では, テクスト汚染耐性連続監視信号を考案した, 半教師付き異常検出手法を提案する。当社のアプローチは、AUC-PRにおいて最先端の競合他社を20%-30%上回っている。
論文参考訳（メタデータ） (2023-07-25T04:04:49Z)
BiPOCO: Bi-Directional Trajectory Prediction with Pose Constraints for Pedestrian Anomaly Detection [14.740178121212132]
BiPOCOは、ビデオ中の歩行者の異常な活動を検出するためのPose COnstraintsを備えた双方向軌道予測器である。本稿では,新しい合成ポーズに基づく損失を予測器に導入し,各関節の予測誤差を利用して歩行者の異常検出を行う。
論文参考訳（メタデータ） (2022-07-05T19:45:49Z)
Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文参考訳（メタデータ） (2021-08-01T14:33:17Z)
Toward Deep Supervised Anomaly Detection: Reinforcement Learning from Partially Labeled Anomaly Data [150.9270911031327]
本稿では,一部のラベル付き異常事例と大規模ラベルなしデータセットを用いた異常検出の問題点について考察する。既存の関連手法は、通常、一連の異常にまたがらない限られた異常例にのみ適合するか、ラベルのないデータから教師なしの学習を進めるかのいずれかである。そこで本研究では,ラベル付きおよびラベルなし両方の異常の検出をエンドツーエンドに最適化する,深層強化学習に基づくアプローチを提案する。
論文参考訳（メタデータ） (2020-09-15T03:05:39Z)
Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。 PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。 12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文参考訳（メタデータ） (2019-10-30T00:40:25Z)

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。