論文の概要: Robust Fault Detection in Mechanical Multimodal Time Series via Self-Supervised Cross-Modal Reconstruction
- arxiv url: http://arxiv.org/abs/2609.16314v1
- Date: Mon, 14 Sep 2026 20:24:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 14:56:08.234346
- Title: Robust Fault Detection in Mechanical Multimodal Time Series via Self-Supervised Cross-Modal Reconstruction
- Title（参考訳）: 自己監督型クロスモーダル再構成によるメカニカルマルチモーダル時系列のロバスト故障検出
- Abstract要約: 異種時系列センサデータの相互再構成に基づくマルチモーダル異常検出フレームワークを提案する。
それぞれのモダリティを個別にモデル化するのではなく、各モダリティを他のモダリティから再構築することでシステム力学を学ぶ。
これは、明示的な時間的アライメントや同一サンプリングレートを必要とせずに、センシングチャネル間で情報を統合する。
- 参考スコア（独自算出の注目度）: 13.337672748422444
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault detection is essential in industrial systems, enabling early identification of abnormal behaviour and improving safety, reliability, and operational efficiency. Modern systems increasingly rely on heterogeneous sensing modalities that capture complementary aspects of the underlying physical process. However, existing data-driven anomaly detection methods often process each modality independently or use simple feature-level fusion, limiting their ability to exploit cross-modal relationships that characterize normal system behaviour. Their performance also commonly assumes similar training and deployment distributions, whereas real-world operation is affected by changing operating conditions, environmental influences, and system degradation that induce distribution shifts and reduce detection performance, especially in unseen regimes. In this work, we propose a multimodal anomaly detection framework based on cross-modal reconstruction of heterogeneous time-series sensor data. Rather than modeling each modality independently, the framework learns system dynamics by reconstructing each modality from the others, thereby exploiting complementary information across modalities. This integrates information across sensing channels without requiring explicit temporal alignment or identical sampling rates, while improving robustness to sensor noise, missing measurements, and modality-specific disturbances. To address distribution shifts during real-world deployment, anomalies are identified using cross-modal reconstruction error and an adaptive test-time thresholding mechanism that adjusts to changing operating conditions. Experiments on three industrial case studies show strong fault detection performance and substantially improved robustness under out-of-distribution conditions, with the largest gains observed in the most challenging operating regimes.
- Abstract（参考訳）: 故障検出は産業システムにおいて必須であり、異常の早期発見と安全性、信頼性、運用効率の向上を可能にする。
現代のシステムは、基礎となる物理過程の相補的な側面を捉える不均一な感覚モーダルにますます依存している。
しかし、既存のデータ駆動異常検出手法は、各モードを独立して処理したり、単純な特徴レベルの融合を使用することが多く、通常のシステムの振る舞いを特徴づける相互関係を利用する能力を制限する。
実際の運用は、運用条件の変化、環境への影響、分散シフトを誘発するシステム劣化の影響を受け、特に目に見えない状況において、検出性能が低下する。
本研究では,異種時系列センサデータの相互再構成に基づくマルチモーダル異常検出フレームワークを提案する。
それぞれのモダリティを独立にモデル化するのではなく、各モダリティを他のモダリティから再構成することでシステムダイナミクスを学習し、モダリティをまたいだ補完情報を活用する。
これにより、明示的な時間的アライメントや同一のサンプリングレートを必要とせず、センサノイズ、計測の欠如、モダリティ固有の障害に対する堅牢性を向上させることができる。
実世界の展開中の分散シフトに対処するため,動作条件の変化に適応するクロスモーダル再構成誤差と適応テスト時間しきい値設定機構を用いて異常を同定する。
産業ケーススタディにおける3つの実験は, アウト・オブ・ディストリビューション条件下での強い故障検出性能と, 大幅な堅牢性向上を示し, もっとも困難な運用体制下での最大の成果を示した。
関連論文リスト
- CAAD: Causality-Aware Multivariate Time Series Anomaly Detection via Multi-Scale Alignment and Structural Causal Consistency [9.032903163326027]
本稿では,Granger因果関係の連続的検証として異常検出を再構成する新しいフレームワークを提案する。
提案するフレームワークは,システムダイナミクスの内部化にマルチスケールアライメントを利用する。
実世界の産業データセットの実験では、CAADが高精度な異常検出を実現することが示されている。
論文 参考訳（メタデータ） (2026-07-09T14:46:10Z) - Towards Anomaly Detection on Relational Data [51.473064583839296]
属性とリレーショナルエッジの両方から異常を捕捉する再構成に基づくフレームワークを提案する。
RelADは競争効率を保ちながら、他のベースラインを一貫して上回ります。
論文 参考訳（メタデータ） (2026-06-17T02:36:32Z) - Conditional Attribution for Root Cause Analysis in Time-Series Anomaly Detection [13.555771273974697]
本稿では,文脈的に類似したシステム状態に対する異常を記述した条件属性フレームワークを提案する。
本手法は,異常観測を条件とした代表例を検索し,依存関係の保存と運用上の意味のある説明を可能にする。
SWaTとベンチマークの実験により、提案手法は複数の異常検出モデルにおける根本原因同定精度、時間的局所化、ロバスト性を一貫して改善することを示した。
論文 参考訳（メタデータ） (2026-04-19T21:01:52Z) - Out of Context: Reliability in Multimodal Anomaly Detection Requires Contextual Inference [54.774686416991386]
我々は、マルチモーダルな異常検出は、クロスモーダルな文脈推論問題として再編成されるべきであると主張している。
この観点はモデル設計、評価プロトコル、ベンチマーク構築に影響を及ぼす。
論文 参考訳（メタデータ） (2026-04-14T19:32:55Z) - Process mining-driven modeling and simulation to enhance fault diagnosis in cyber-physical systems [5.065341495341096]
CPS(Cyber-Physical Systems)の故障診断は,システムの信頼性と運用効率の確保に不可欠である。
本稿では, 時系列, プロセスマイニング, シミュレーションにおける集団異常検出を統合した, 教師なし故障診断手法を提案する。
これにより、予測保守と産業環境のためのデジタルツインの開発を支援する総合的なフォールト辞書の作成が可能になる。
論文 参考訳（メタデータ） (2025-06-26T17:29:37Z) - 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) - Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。
提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
論文 参考訳（メタデータ） (2024-05-25T14:48:04Z) - DIVERSIFY: A General Framework for Time Series Out-of-distribution
Detection and Generalization [58.704753031608625]
時系列は、機械学習研究における最も困難なモダリティの1つである。
時系列上でのOODの検出と一般化は、その非定常性によって悩まされる傾向がある。
時系列の動的分布のOOD検出と一般化のためのフレームワークであるDIVERSIFYを提案する。
論文 参考訳（メタデータ） (2023-08-04T12:27:11Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。
次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。
我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-30T06:00:13Z) - Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。
我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。
製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
論文 参考訳（メタデータ） (2022-06-23T14:16:30Z)
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。