論文の概要: Cross-Domain Industrial Fault Detection by Causal Mechanism Monitoring
- arxiv url: http://arxiv.org/abs/2608.14666v1
- Date: Sat, 01 Aug 2026 14:58:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-23 14:54:39.953794
- Title: Cross-Domain Industrial Fault Detection by Causal Mechanism Monitoring
- Title（参考訳）: 因果メカニズムモニタリングによる断続的産業断層検出
- Abstract要約: 産業システムにおける教師なし故障検出は, 復元に基づく手法が支配している。
CMR-Mambaは、カップリングフォールト検出に対する解釈可能で一貫して競合するアプローチを提供する。
- 参考スコア（独自算出の注目度）: 6.350348168407884
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Unsupervised fault detection in industrial systems is dominated by reconstruction based methods that monitor individual sensor marginal distributions. This misses coupling faults, where the physical relationship between sensor groups breaks while marginal statistics remain normal. Such faults evade marginal monitoring and persist as latent failures, with direct consequences for system reliability and safety. We propose CMR-Mamba (Causal Mechanism Representation Mamba), which trains per domain Mamba state-space encoders on healthy data. A causal cross-modal predictor regularises these encoders so that the effect-channel manifold reflects the normal cause-to-effect coupling. Anomalies are scored by k-nearest-neighbour (kNN) distance on this manifold or by the mechanism residual between the observed and the causally predicted effect embedding. We evaluate CMR-Mamba on electromechanical (Paderborn bearings), hydraulic (ZeMA) and cyber-physical (SWaT) coupling-fault domains. Ablations establish two findings. First, k-NN manifold scoring, rather than the encoder family, is the dominant source of gain over reconstruction-error scoring, improving baselines by up to 0.42 AUROC and exceeding the gain from causal regularisation. Second, aggregate AUROC is saturated by easy faults that any strong method solves, so the methods separate only on the low-separability subset. There CMR-Mamba leads the evaluated baselines on Paderborn artificial defects and on SWaT stealthy attacks, which keep every sensor inside its normal range and which marginal methods detect only at chance. CMR-Mamba therefore offers an interpretable and consistently competitive approach to coupling-fault detection across mechanical, hydraulic and cyber-physical systems. Code and data are available at https://anonymous.4open.science/status/CMR_Mamba_MFD_1177.
- Abstract（参考訳）: 産業システムにおける教師なし故障検出は、個々のセンサの限界分布を監視する再構成に基づく手法によって支配されている。
これは、センサー群間の物理的関係が壊れ、限界統計が正常である結合欠陥を見逃す。
このような障害は、システムの信頼性と安全性に直接影響し、限界的な監視を回避し、潜時的な障害として持続する。
CMR-Mamba(Causal Mechanism Representation Mamba)を提案する。
因果的クロスモーダル予測器は、これらのエンコーダを正規化し、エフェクト-チャネル多様体は通常の因果結合を反映する。
異常は、この多様体上のk-nearest-neighbour(kNN)距離、または観測された効果と因果予測効果の埋め込みの間に残留するメカニズムによって測定される。
電気機械(パデルボルン軸受)、油圧(ZeMA)、サイバー物理結合法(SWaT)におけるCMR-Mambaの評価を行った。
アブレーションは2つの発見を立証する。
第一に、エンコーダファミリーではなくk-NN多様体のスコアリングは、リコンストラクションエラースコアよりも向上し、ベースラインを最大0.42AUROC改善し、因果正規化によるゲインを上回っている。
第二に、集約 AUROC はどんな強い方法でも解ける簡単な断層によって飽和しているので、その方法は低分離部分集合上でのみ分離される。
そこでCMR-Mambaは、Paderborn人工的な欠陥やSWaTのステルス攻撃に対する評価基準を導いており、すべてのセンサーを通常の範囲内に保持し、その限界法が偶然にのみ検出する。
したがって、CMR-Mambaは機械、油圧、サイバー物理システム間でのカップリングフォールト検出に対して、解釈可能かつ一貫して競合するアプローチを提供する。
コードとデータはhttps://anonymous.4open.science/status/CMR_Mamba_MFD_1177で公開されている。
関連論文リスト
- Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - Uncertainty-aware damage identification in short-span bridges via physics-informed variational autoencoder [0.4893345190925178]
本研究は,構造的健康モニタリングのための物理インフォームドガウスコーパス変分オートエンコーダを提案する。
我々は、潜伏変数の従来の独立性仮定をガウスコプラに置き換える。
その結果、PI-VAEは真の後部分布を正確に回復し、77.2%のカバレッジを達成した。
論文 参考訳（メタデータ） (2026-07-06T13:02:36Z) - High-Dimensional Latents Should Be Diagnosed Through Phase Structure [56.362776482614976]
スピングラス理論のレンズによるオートエンコーダと変分オートエンコーダの潜在空間について検討した。
固定復号器用の潜時空間スピングラス辞書を定式化する。
トポロジカルな自明化機構のエッジ・オブ・ステイティに向けて潜伏系を駆動することは、下流に具体的な結果をもたらすことを示す。
論文 参考訳（メタデータ） (2026-05-23T06:17:23Z) - Extended Hybrid Timed Petri Nets with Semi-Supervised Anomaly Detection for Switched Systems, Modelling and Fault Detection [0.0]
本稿では,ハイブリッド力学系のための統合障害検出フレームワークを提案する。
拡張時間連続ペトリネットモデルと半教師付き異常検出を統合している。
その結果,高い検出精度,高速収束,ロバスト性能が得られた。
論文 参考訳（メタデータ） (2026-04-05T10:54:15Z) - Beyond Reward Suppression: Reshaping Steganographic Communication Protocols in MARL via Dynamic Representational Circuit Breaking [0.0]
監視を回避するためのプライベートプロトコルを開発するエージェントによるステガノグラフィーの共謀は、AIの安全性に重大な脅威をもたらす。
既存の防御は行動層や報酬層に限られており、潜伏する通信路での調整を検知できない。
本稿では,動的表現回路ブレーカ(DRCB)について紹介する。
論文 参考訳（メタデータ） (2026-03-07T04:14:38Z) - Beyond Raw Detection Scores: Markov-Informed Calibration for Boosting Machine-Generated Text Detection [105.14032334647932]
機械生成テキスト(MGT)は偽情報やフィッシングなどのリスクを生じさせ、信頼性の高い検出の必要性を強調している。
MGTの統計的に区別可能な特徴を抽出するメトリックベース法は、オーバーフィットしがちな複雑なモデルベース法よりも実用的であることが多い。
本稿では,2つのコンテキスト検出スコアの関係をモデル化したマルコフ情報を用いたスコアキャリブレーション手法を提案する。
論文 参考訳（メタデータ） (2026-02-08T16:06:12Z) - An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。
提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
論文 参考訳（メタデータ） (2025-11-01T10:19:00Z) - Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
現実の時系列では欠落値が一般的である。
現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。
このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。
本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
論文 参考訳（メタデータ） (2025-09-27T20:57:48Z) - A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳（メタデータ） (2025-02-18T22:07:36Z) - CoMadOut -- A Robust Outlier Detection Algorithm based on CoMAD [0.3749861135832073]
データセット上の機械学習アルゴリズムの予測を歪める可能性があるため、アウトレーヤは重要な役割を果たす。
この問題に対処するために,ロバストな外乱検出アルゴリズムCoMadOutを提案する。
われわれの手法は、外乱検出タスクの堅牢な代替手段と見なすことができる。
論文 参考訳（メタデータ） (2022-11-23T21:33:34Z) - Mitigating the Mutual Error Amplification for Semi-Supervised Object
Detection [92.52505195585925]
擬似ラベルの修正機構を導入し,相互誤りの増幅を緩和するクロス・インストラクション(CT)手法を提案する。
他の検出器からの予測を直接擬似ラベルとして扱う既存の相互指導法とは対照的に,我々はラベル修正モジュール(LRM)を提案する。
論文 参考訳（メタデータ） (2022-01-26T03:34:57Z)
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。