論文の概要: Optimal Transport for Efficient, Unsupervised Anomaly Detection on Industrial Data

• arxiv url: http://arxiv.org/abs/2609.13940v1
• Date: Sat, 12 Sep 2026 13:34:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.615597
• Title: Optimal Transport for Efficient, Unsupervised Anomaly Detection on Industrial Data
• Title（参考訳）: 産業データを用いた効率的な教師なし異常検出のための最適輸送
• Abstract要約: 時系列センサデータにおける正常な振る舞いから逸脱を検出するために設計された,異常検出のための最適トランスポート(OT)ベースのフレームワークを提案する。 OTベースの手法では、最小限のユーザ入力が必要であり、ラベル付きトレーニングデータを必要としないリアルタイムデータに適応する。 我々は,出荷,工業用HVACシステム,公開ベンチマークデータなど,3つの産業用データセットに対するアプローチを評価した。
• 参考スコア（独自算出の注目度）: 3.4490389424908776
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Effective anomaly detection frameworks are a central pillar of the Industry 4.0 paradigm. In this paper, we introduce an Optimal Transport (OT)-based framework for anomaly detection, designed to detect deviations from normal behaviour in time-series sensor data. The OT-based method requires minimal user input and adapts to real-time data without the need for labelled training data. Our method effectively addresses existing limitations related to data labelling, generalisability, and scalability, demonstrating resilience against short-term fluctuations, noise, and data gaps - common challenges in industrial environments. Additionally, our method provides counterfactual explanations improving the auditability of the approach when deployed in industrial settings. The proposed method learns the mapping between normal and observed operating conditions through a sliding reference window that adapts to the dynamicity of the data. We evaluate our approach on three industrial datasets, from shipping, industrial HVAC systems, and publicly available benchmark data. The method was highly effective in identifying anomalies and reducing false positives, outperforming traditional methods, while maintaining computational efficiency and ease of configuration.
• Abstract（参考訳）: 効果的な異常検出フレームワークは、Industrial 4.0パラダイムの中心的な柱である。 本稿では,時系列センサデータにおける正常な動作からの逸脱を検出するために,OT(Optimal Transport)に基づく異常検出フレームワークを提案する。 OTベースの手法では、最小限のユーザ入力が必要であり、ラベル付きトレーニングデータを必要としないリアルタイムデータに適応する。 本手法は,データラベリング,一般化可能性,拡張性に関する既存の制約を効果的に解決し,短期的変動,ノイズ,データギャップに対するレジリエンスを実証する。 さらに,本手法は,産業環境におけるアプローチの監査性の向上に寄与する。 提案手法は,データの動的性に適応するスライディング参照ウィンドウを用いて,通常の動作条件と観測条件のマッピングを学習する。 我々は,出荷,工業用HVACシステム,公開ベンチマークデータなど,3つの産業用データセットに対するアプローチを評価した。 この手法は異常の同定と偽陽性の低減に非常に効果的であり、計算効率と構成の容易さを維持しながら従来の手法よりも優れていた。

関連論文リスト

• O-VAD: Industrial Video Anomaly Detection through Object-Centric Tracking and Reasoning [25.69002873920198]
  産業ビデオ異常検出(IVAD)は、産業プロセスにおける異常な物体や事象を特定することを目的としている。 既存のVLMベースの異常推論手法は、一般領域におけるオープンエンドな異常を検出することができる。 ドメイン固有知識のない異常検出のためのトレーニングフリーエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-20T16:36:00Z)
• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
  異常検出は産業アプリケーションの品質管理において重要な役割を担っている。 既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。 提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
  論文  参考訳（メタデータ） (2025-03-19T05:25:52Z)
• Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
  本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。 本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
  論文  参考訳（メタデータ） (2024-06-06T15:53:14Z)
• Interpretable Data-driven Anomaly Detection in Industrial Processes with ExIFFI [7.282229151991191]
  本論文は,ExIFFIの産業的応用として,EIF(Extended isolated Forest)法に対する高速かつ効率的な説明方法を提案する。 ExIFFIは3つの産業データセットでテストされ、他の最先端のADモデルと比較して、説明効率と計算効率が優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-02T10:23:17Z)
• Condition Monitoring with Incomplete Data: An Integrated Variational Autoencoder and Distance Metric Framework [2.7898966850590625]
  本稿では,未確認データに対する故障検出と条件モニタリングのための新しい手法を提案する。 我々は変分オートエンコーダを用いて、以前に見られた新しい未知条件の確率分布をキャプチャする。 故障は、健康指標のしきい値を確立することで検出され、そのモデルが重大で見えない断層を高い精度で識別することができる。
  論文  参考訳（メタデータ） (2024-04-08T22:20:23Z)
• Self-supervised Feature Adaptation for 3D Industrial Anomaly Detection [59.41026558455904]
  具体的には,大規模ビジュアルデータセット上で事前学習されたモデルを利用した初期のマルチモーダルアプローチについて検討する。 本研究では,アダプタを微調整し,異常検出に向けたタスク指向の表現を学習するためのLSFA法を提案する。
  論文  参考訳（メタデータ） (2024-01-06T07:30:41Z)
• Predictive Maintenance Model Based on Anomaly Detection in Induction Motors: A Machine Learning Approach Using Real-Time IoT Data [0.0]
  本研究では,ポンプ,圧縮機,ファン,その他の産業機械で使用される誘導電動機の異常検出システムについて紹介する。 我々は、計算コストの低い前処理技術と機械学習(ML)モデルの組み合わせを用いる。
  論文  参考訳（メタデータ） (2023-10-15T18:43:45Z)
• 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)
• DEALIO: Data-Efficient Adversarial Learning for Imitation from Observation [57.358212277226315]
  観察ifoからの模倣学習において、学習エージェントは、実演者の生成した制御信号にアクセスせずに、実演行動の観察のみを用いて実演エージェントを模倣しようとする。 近年、逆模倣学習に基づく手法は、ifO問題に対する最先端のパフォーマンスをもたらすが、データ非効率でモデルなしの強化学習アルゴリズムに依存するため、サンプルの複雑さに悩まされることが多い。 この問題は、サンプルの収集が時間、エネルギー、およびリスクの面で高いコストを被る可能性がある現実世界の設定に展開することは非現実的です。 よりデータ効率の高いifOアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-03-31T23:46:32Z)
• Anomaly Detection Based on Selection and Weighting in Latent Space [73.01328671569759]
  SWADと呼ばれる新しい選択および重み付けに基づく異常検出フレームワークを提案する。 ベンチマークと実世界のデータセットによる実験は、SWADの有効性と優位性を示している。
  論文  参考訳（メタデータ） (2021-03-08T10:56:38Z)

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。