論文の概要: Grounded Well-Condition Anomaly Detection on the Volve Field: Constructed Labels, a Baseline, and a Dual-Head Model

• arxiv url: http://arxiv.org/abs/2608.05685v2
• Date: Wed, 12 Aug 2026 01:37:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 14:28:20.322762
• Title: Grounded Well-Condition Anomaly Detection on the Volve Field: Constructed Labels, a Baseline, and a Dual-Head Model
• Title（参考訳）: ボルブフィールドの接地型ウェルコンディション異常検出:構成ラベル,ベースライン,デュアルヘッドモデル
• Abstract要約: EquinorがリリースしたオープンなVolveフィールドデータで作業しています。 私たちは、フィールドのエンジニアリング文書が物理的に間違っていると言うことに対してチェックされる異常ラベルを構築します。 構築されたラベルが全く学べないかどうかをテストする。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most public benchmarks for machine-condition monitoring come from test rigs, where faults are induced on purpose and every event is known. Real production fields rarely offer that. They give you sensor histories with no fault log attached, which is exactly the situation where an anomaly-detection method has to invent its own labels, and where quiet assumptions can slip in unnoticed. We work with the open Volve field data released by Equinor and take two things seriously that such datasets usually skip. First, we build anomaly labels that are not just patterns in the numbers but are checked against what the field's own engineering documents say can physically go wrong, and we release the reasoning behind every label. Second, we test whether those constructed labels are learnable at all, using both an unsupervised baseline and a small dual-head model that marks when an event happens and what kind it is, an idea we carry over from earlier work on defect detection in metal parts. The results are honest. An unsupervised detector that never sees the labels still lands on the same regions our rules flagged, which tells us the labels are not arbitrary. A compact supervised model recovers event presence and event type well across wells it has never seen, and locates events in time only roughly. We report what worked, what did not, and every assumption in between. The dataset, grounded labels, per-label provenance, baseline scores, trained model, and code are released publicly under CC-BY-NC-SA 4.0.
• Abstract（参考訳）: マシンコンディショニング監視のためのほとんどの公開ベンチマークは、故意に障害が誘発され、すべてのイベントが知られるテストリグから作成されている。 実際の生産現場ではめったにそれを提供しない。 これは正確には、異常検出方法が独自のラベルを発明しなければならない状況であり、静かな仮定が気付かれずに滑り落ちる可能性がある状況です。 私たちはEquinorがリリースしたオープンなVolveフィールドデータを使って作業し、そのようなデータセットが通常スキップされる2つのことを真剣に取ります。 まず、私たちは、数字のパターンだけでなく、フィールドのエンジニアリング文書が物理的に間違っていると言うものに対してチェックされる異常ラベルを構築し、すべてのラベルの背後にある理由を公表します。 第二に、これら構築されたラベルは、教師なしベースラインと、イベントの発生時とそれがどんなものであるかを示す小さなデュアルヘッドモデルの両方を用いて、全く学べないかどうかをテストする。 結果は正直だ。 ラベルを見ることのできない教師なしの検出器は、私たちのルールが掲げた同じ領域にまだ着陸しています。 コンパクトな教師付きモデルは、それまで見たことのない井戸を越えて、イベントの存在とイベントタイプを回復し、大まかに時間内にイベントを見つける。 私たちは何がうまくいったのか、何がうまくいかなかったのか、そしてその中間にあるすべての仮定を報告します。 データセット、グラウンドラベル、ラベルごとの証明、ベースラインスコア、トレーニングされたモデル、コードは、CC-BY-NC-SA 4.0で公開されている。

関連論文リスト

• Sequential Harmful Shift Detection Without Labels [18.465525086385284]
  本研究では,継続的生産環境における機械学習モデルの性能に悪影響を及ぼす分散シフトを検出する新しい手法を提案する。 Podkopaev と Ramdas [2022] の作業の上に構築されている。 私たちのソリューションはこのフレームワークを拡張して、真のエラーに対してプロキシを使用することで、ラベルのない動作を可能にします。
  論文  参考訳（メタデータ） (2024-12-17T13:37:48Z)
• LEOD: Label-Efficient Object Detection for Event Cameras [25.799170829163845]
  イベントカメラによるオブジェクト検出は、センサーの低レイテンシと高ダイナミックレンジの恩恵を受ける。 時間分解能が高いため、教師付きトレーニングのためにイベントストリームを完全にラベル付けするのはコストがかかる。 本稿では,ラベル効率の高いイベントベース検出手法LEODを提案する。
  論文  参考訳（メタデータ） (2023-11-29T00:09:45Z)
• Class Label-aware Graph Anomaly Detection [23.977594208998237]
  教師なしGADのためのクラスラベルの有用性について検討する。 クラスラベル対応グラフ異常検出フレームワーク(CLAD)を提案する。 10個のデータセットの実験は、既存の教師なしGAD法と比較してCLADの優れた性能を示している。
  論文  参考訳（メタデータ） (2023-08-22T09:46:12Z)
• SPADE: Semi-supervised Anomaly Detection under Distribution Mismatch [58.04518381476167]
  SPADEは、分布ミスマッチを伴う幅広いシナリオにわたって、最先端の半教師付き異常検出性能を示す。 新しいタイプのラベルのない異常に直面したモデルなど、いくつかの一般的な現実世界設定では、SPADEは最先端の代替品を平均5%のAUCで上回っている。
  論文  参考訳（メタデータ） (2022-11-30T23:39:11Z)
• Learning to Detect Mobile Objects from LiDAR Scans Without Labels [60.49869345286879]
  現在、自動運転のための3Dオブジェクト検出器は、ほとんど完全に人間の注釈付きデータに基づいて訓練されている。 本稿では,地球上のほぼどこでも,安価かつ多量に収集できるラベルなしデータに基づく代替手法を提案する。
  論文  参考訳（メタデータ） (2022-03-29T20:05:24Z)
• Instance-Dependent Partial Label Learning [69.49681837908511]
  部分ラベル学習は、典型的には弱教師付き学習問題である。 既存のほとんどのアプローチでは、トレーニングサンプルの間違ったラベルがランダムに候補ラベルとして選択されていると仮定している。 本稿では,各例が実数で構成された潜在ラベル分布と関連していると仮定する。
  論文  参考訳（メタデータ） (2021-10-25T12:50:26Z)
• Rethinking Noisy Label Models: Labeler-Dependent Noise with Adversarial Awareness [2.1930130356902207]
  本稿では,複数のラベルに対してインスタンス依存ノイズを一般化するラベルノイズの原理モデルを提案する。 ラベラーに依存したモデルでは、ラベルノイズは善良なラベルの自然な誤りと悪質なアクターによって提供される敵対的なラベルの2つのモードの下に現れます。 実世界の環境で発生する可能性のあるラベルノイズをより正確に反映する2つの逆攻撃ベクトルを提案する。
  論文  参考訳（メタデータ） (2021-05-28T19:58:18Z)
• Exploratory Machine Learning with Unknown Unknowns [60.78953456742171]
  本稿では,他のラベルと誤認識されたトレーニングデータに未知のクラスが存在するという,新たな問題設定について検討する。 本研究では,潜在的に隠蔽されたクラスを発見するために,機能空間を積極的に拡張することにより,学習データを調べ,調査する探索機械学習を提案する。
  論文  参考訳（メタデータ） (2020-02-05T02:06:56Z)

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。