論文の概要: Deep Learning for Anomaly Detection in Railway Systems: A Structured Survey
- arxiv url: http://arxiv.org/abs/2610.00363v1
- Date: Wed, 30 Sep 2026 06:29:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-03 01:19:23.620407
- Title: Deep Learning for Anomaly Detection in Railway Systems: A Structured Survey
- Title（参考訳）: 鉄道システムにおける異常検出のためのディープラーニング:構造的調査
- Abstract要約: 本稿では,鉄道システムの深層学習に基づく異常検出手法に関する構造化調査を行う。
調査手法は,異常な位置,データの表現と表現,モダリティの知覚,時間的特性を網羅した統合分類法を用いて構成される。
調査では、データ中心の課題、評価プラクティス、パフォーマンスメトリクス、実践的なデプロイメント面についても調査している。
- 参考スコア（独自算出の注目度）: 0.4129225533930965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ensuring safe and reliable operation of modern railway systems increasingly relies on data-driven monitoring and intelligent fault detection. Deep learning has emerged as an effective paradigm for railway anomaly detection, driven by the growing availability of heterogeneous sensor data from rolling stock and infrastructure. This paper presents a structured survey of deep learning-based anomaly detection approaches for railway systems. The surveyed methods are organized using a unified taxonomy covering anomaly location, data representation and manifestation, sensing modality, and temporal characteristics. Existing approaches, including convolutional, recurrent and attention-based architectures, autoencoders, generative adversarial networks, and transformers, are structured into classification-based, prediction-based, reconstruction-based, and hybrid learning paradigms. The survey also examines data-centric challenges, evaluation practices, performance metrics, and practical deployment aspects, including edge-cloud architectures, computational constraints, and hardware-aware optimization. Finally, a decision-oriented framework links anomaly characteristics, data properties, and operational constraints to suitable detection paradigms and deployment configurations. This work provides a structured reference for selecting and deploying deep learning solutions for railway anomaly detection and highlights open challenges toward reliable and scalable intelligent monitoring systems.
- Abstract（参考訳）: 近代鉄道システムの安全かつ信頼性の高い運用を保証するには、データ駆動監視とインテリジェントな故障検出がますます頼りになっている。
深層学習は、車両やインフラからの異種センサデータの増加により、鉄道異常検出の効果的なパラダイムとして浮上している。
本稿では,鉄道システムの深層学習に基づく異常検出手法に関する構造化調査を行う。
調査手法は,異常な位置,データの表現と表現,モダリティの知覚,時間的特性を網羅した統合分類法を用いて構成される。
畳み込み、繰り返し、注意に基づくアーキテクチャ、オートエンコーダ、生成的敵ネットワーク、トランスフォーマーといった既存のアプローチは、分類ベース、予測ベース、再構築ベース、ハイブリッド学習パラダイムに構造化されている。
また、エッジクラウドアーキテクチャ、計算制約、ハードウェア対応最適化など、データ中心の課題、評価プラクティス、パフォーマンスメトリクス、実践的なデプロイメント面についても調査している。
最後に、決定指向フレームワークは、異常な特性、データプロパティ、運用上の制約を適切な検出パラダイムとデプロイメント設定にリンクする。
この研究は、鉄道異常検出のためのディープラーニングソリューションの選択とデプロイのための構造化されたリファレンスを提供し、信頼性とスケーラブルなインテリジェントな監視システムに対するオープンな課題を強調している。
関連論文リスト
- Graph Neural AI with Temporal Dynamics for Comprehensive Anomaly Detection in Microservices [7.957284443727372]
本研究では,マイクロサービスアーキテクチャにおける異常検出と根本原因追跡の問題に対処する。
グラフニューラルネットワークと時間的モデリングを組み合わせた統合フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-05T08:28:41Z) - Machine learning for fraud detection in digital banking: a systematic literature review REVIEW [0.0]
本稿では,デジタルバンキングにおける不正検出における機械学習の役割について検討する。
PRISMAガイドラインに従って、このレビューでは、組織的厳密さと透明性を確保するために、構造化された識別、スクリーニング、適性、包含プロセスを適用した。
論文 参考訳（メタデータ） (2025-10-04T22:56:12Z) - Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data [9.871276314615447]
本稿では, 生成モデル, スライドウインドウ時間処理, 決定融合を統合し, 堅牢なイベント検出と分類を実現する新しいフレームワークを提案する。
実験結果は、最先端の精度、機械学習、ディープラーニング、エンベロープベースのベースラインを上回ることを示す。
論文 参考訳（メタデータ） (2025-09-26T18:04:03Z) - From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。
メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
論文 参考訳（メタデータ） (2025-09-25T14:15:43Z) - Graph Neural Network and Transformer Integration for Unsupervised System Anomaly Discovery [14.982273490507986]
本研究では,分散バックエンドサービスシステムを対象とした教師なし異常検出手法を提案する。
複雑な構造的依存関係、多様な振る舞いの進化、ラベル付きデータの欠如といった現実的な課題に対処する。
その結果,提案手法はいくつかの重要な指標において既存モデルよりも優れていることがわかった。
論文 参考訳（メタデータ） (2025-08-13T00:35:58Z) - Behavioral Anomaly Detection in Distributed Systems via Federated Contrastive Learning [0.8906214436849201]
目標は、データプライバシ、ノードの不均一性、異常パターン認識という観点で、従来の集中型アプローチの制限を克服することにある。
提案手法は,フェデレート学習の分散協調モデリング機能と,コントラスト学習の特徴識別強化を併用する。
ローカルノードに埋め込み表現を構築し、正と負のサンプルペアを構築して、より差別的な特徴空間を学ぶモデルを導く。
論文 参考訳（メタデータ） (2025-06-24T02:04:44Z) - Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。
近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。
この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
論文 参考訳（メタデータ） (2025-06-11T03:29:18Z) - 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) - 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) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Survey of Network Intrusion Detection Methods from the Perspective of
the Knowledge Discovery in Databases Process [63.75363908696257]
本稿では,侵入検知器の開発を目的として,ネットワークデータに適用された手法について概説する。
本稿では,データのキャプチャ,準備,変換,データマイニング,評価などの手法について論じる。
この文献レビューの結果、ネットワークセキュリティ分野のさらなる研究のために考慮すべきいくつかのオープンな問題について検討する。
論文 参考訳（メタデータ） (2020-01-27T11:21:05Z)
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。