論文の概要: Cycle-Aware Autoencoder with Cross-SignalConsistency for Railway Door Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.39035v1
• Date: Wed, 30 Sep 2026 05:38:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.2432
• Title: Cycle-Aware Autoencoder with Cross-SignalConsistency for Railway Door Anomaly Detection
• Title（参考訳）: 鉄道ドア異常検出のためのクロスシグナル整合型サイクルアウェアオートエンコーダ
• Abstract要約: 本稿では, 鉄道ドア条件モニタリングを, サイクルレベルの非教師付き異常検出問題として扱う。 クロスシグナル一貫性を有する時間サイクル認識自動符号化(TCAA-CS)を提案する。 商業運転中の旅客列車の実際の産業データから、TCAA-CSは93.8%のリコール、97.3%の精度、および0.5%の偽アラームレートを達成している。
• 参考スコア（独自算出の注目度）: 0.37798600249187286
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Passenger access doors are safety-critical subsystems in railway vehicles, yet detecting abnormal door behavior in real operation is challenging because faults are rare, diverse, and often unlabeled. This paper addresses railway door condition monitoring as a cycle-level unsupervised anomaly detection problem, where each complete opening-dwell-closing cycle is treated as a single monitoring unit. We propose the Temporal Cycle-Aware Attention Autoencoder with Cross-Signal Consistency (TCAA-CS), trained exclusively on nominal cycles. It combines a dual-stream encoder that processes continuous physical measurements (position, current, voltage) and binary logical states (door-closed, door-locked) through separate 1D-CNN branches, an LSTM encoder with temporal attention pooling, and a triple hybrid anomaly score fusing reconstruction error, latent-space deviation, and phase-aware cross-signal consistency. The consistency term helps identify cases where individual signals appear plausible but their inter-signal relationships become physically or logically inconsistent. On real industrial data from a passenger train in commercial service, TCAA-CS achieves 93.8% recall, 97.3% precision, and a 0.5% false-alarm rate, outperforming representative unsupervised baselines. System-level evaluation on an NVIDIA Jetson AGX Xavier supports the feasibility of real-time onboard deployment.
• Abstract（参考訳）: 旅客用アクセスドアは、鉄道車両の安全上重要なサブシステムであるが、故障が稀で、多様で、しばしばラベルが付けられていないため、実際の運転で異常なドアの挙動を検出することは困難である。 本稿では,鉄道ドア条件の監視をサイクルレベルの非教師付き異常検出問題として扱い,各開水路閉鎖サイクルを単一監視ユニットとして扱う。 本稿では,Cross-Signal Consistency (TCAA-CS) を用いた時間サイクル認識自動符号化手法を提案する。 これは、連続的な物理測定(位置、電流、電圧)とバイナリ論理状態(ドア閉鎖、ドアロック)を別々の1D-CNNブランチを介して処理するデュアルストリームエンコーダ、時間的注意プーリングを備えたLSTMエンコーダ、再構成エラー、潜時空間偏差、位相対応信号の整合性を備えた3重ハイブリッドアノマリースコアを組み合わせたものである。 一貫性という用語は、個々の信号が妥当に見えるが、信号間の関係が物理的または論理的に矛盾するケースを特定するのに役立つ。 商業運転中の旅客列車の実際の産業データから、TCAA-CSは93.8%のリコール、97.3%の精度、および0.5%の偽アラームレートを達成し、教師なしのベースラインを上回ります。 NVIDIA Jetson AGX Xavierのシステムレベルの評価は、リアルタイムのオンボードデプロイメントの実現性をサポートする。

関連論文リスト

• CDKF-Track: Cluster-aware Data-Driven Kalman Filtering for Cooperative 3D Multi-Object Tracking [42.784148119322474]
  協調3次元MOTのためのクラスタ対応データ駆動カルマンフィルタフレームワークCDKFTrackを提案する。 実世界のV2V4Realデータセットの実験結果から、CDKF-Trackは最先端のマルチエージェントMOT法よりも、追跡精度が最大27.99%向上したことが示されている。
  論文  参考訳（メタデータ） (2026-09-22T04:18:50Z)
• Spatiotemporal Facial Action Unit Detection using Twin Cycle Autoencoders for Driver Monitoring [0.0]
  ドライバー監視システムは、悲しみ、気晴らし、認知的負荷をリアルタイムで推測するために、顔の手がかりに依存している。 既存のAU検出器は、空間的外観と時間力学を別々に扱う。 本稿では、2つのサイクル一貫性を持つオートエンコーダブランチからなるツインサイクルオートエンコーダ(TCA)を提案する。 組込みJetson NXプラットフォーム上でのリアルタイムスループットの持続性を示す。
  論文  参考訳（メタデータ） (2026-07-18T10:52:08Z)
• Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic [38.99819352589072]
  この研究は、広範に広まるフル周波数特性と、スペクトルミスマッチと呼ばれる関連する制限の同定の先駆者である」。 FreeUpは、暗号化トラフィック分析のために明示的に設計された、新しい周波数分離フレームワークである。
  論文  参考訳（メタデータ） (2026-05-03T13:44:41Z)
• Pay Attention to CTC: Fast and Robust Pseudo-Labelling for Unified Speech Recognition [61.39209522608919]
  統一音声認識は、音声、視覚、および聴覚の音声認識のための単一のモデルを訓練するための半教師付きフレームワークとして登場した。 そこでは,CTCの擬似ラベルをアテンションターゲットを生成するためにデコーダに入力するCTC駆動型教師強制方式を提案する。 CTCとCTC駆動のアテンション擬似ラベルは同じ長さであるため、デコーダは両方を同時に予測できる。
  論文  参考訳（メタデータ） (2026-02-22T19:38:21Z)
• Axle Sensor Fusion for Online Continual Wheel Fault Detection in Wayside Railway Monitoring [1.1199585259018456]
  本研究は,鉄道断層診断のためのセマンティック・アウェア,ラベル効率のよい連続学習フレームワークを提案する。 このモデルは、フラットやポリゴン化による小さな欠陥を検出しながら、進化する運用条件に適応する。
  論文  参考訳（メタデータ） (2026-02-18T00:14:18Z)
• LEFT: Learnable Fusion of Tri-view Tokens for Unsupervised Time Series Anomaly Detection [53.191369031661885]
  教師なし時系列異常検出は、アノテーションの可用性を前提とせず、異常なタイムスタンプを識別するモデルを構築することを目的としている。 本稿では,非教師付きTSADフレームワークであるLearnable Fusion of Tri-view Tokens(LEFT)について述べる。 実世界のベンチマーク実験では、LEFTはSOTAベースラインに対して最高の検出精度を示し、FLOPの5倍、トレーニングの8倍のスピードアップを実現している。
  論文  参考訳（メタデータ） (2026-02-09T13:33:49Z)
• STREAM-VAE: Dual-Path Routing for Slow and Fast Dynamics in Vehicle Telemetry Anomaly Detection [1.7751300245073598]
  STREAM-VAEは、自動車テレメトリ時系列データにおける異常検出のための変分自動エンコーダである。 モデルでは,低速ドリフトと高速スパイク信号のダイナミックスを分離するためにデュアルパスエンコーダと,過渡偏差を表すデコーダを用いる。
  論文  参考訳（メタデータ） (2025-11-19T10:58:40Z)
• Unsupervised Detection of Spatiotemporal Anomalies in PMU Data Using Transformer-Based BiGAN [0.0]
  T-BiGANは、双方向生成逆数ネットワーク(BiGAN)内でウィンドウアテンション変換を行うフレームワークである。 エンコーダデコーダはアーキテクチャをキャプチャし、識別器はサイクル整合性を適用して遅延空間を真のデータ分布と整合させる。 異常は、再構成誤差、潜時空間ドリフト、判別器の信頼性を組み合わせた適応スコアを用いてリアルタイムでフラグ付けされる。
  論文  参考訳（メタデータ） (2025-09-30T00:16:35Z)
• Detecting train driveshaft damages using accelerometer signals and Differential Convolutional Neural Networks [67.60224656603823]
  本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。 その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
  論文  参考訳（メタデータ） (2022-11-15T15:04:06Z)
• DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly detection in air transportation [68.8204255655161]
  識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。 通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。 その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
  論文  参考訳（メタデータ） (2021-09-08T14:07:55Z)

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。