文献

J-GLOBAL ID：202202230101754925   整理番号：22A0446921

Shapelets学習によるインフラ・製造分野向け時系列波形の異常診断技術

Time-Series Waveform Anomaly Diagnostic Methods Utilizing Learning Shapelets for Infrastructure and Manufacturing Fields

著者 (1件)： 山口晃広 (東芝)
資料名： 東芝レビュー(Web)  (Toshiba Review (Web))
巻： 77  号： 1  ページ： 58-59 (WEB ONLY)  発行年： 2022年01月 
JST資料番号： U1316A  ISSN： 2432-1168  資料種別： 逐次刊行物 (A)
記事区分： 解説  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： ・インフラ・製造分野では,IoT(Internet of Things)の普及に伴って時系列波形データが大量に蓄積されており,AIを用いた波形診断のニーズが増大。
・これらの分野にAIを適用するには,専門家に判定根拠を提示できることだけでなく,誤検出のリスクや学習データの信頼度を考慮できることが必要。
・判定根拠の提示を必須要件とした上で,代表的な波形パターン(Shapelets)学習をベースに,誤検出・見逃しのリスクに応じた学習技術LTSpAUC及びデータの信頼度に応じた学習技術RLTSを開発。

シソーラス用語： 機械学習 ,  *人工知能 ,  *時系列分析 ,  *波形解析 ,  *異常診断 ,  技術開発 ,  相互接続 ,  インターネット ,  データ ,  検出 ,  判定基準 ,  決定問題 ,  データ処理 ,  生産管理 ,  測定データ ,  学習データ ,  誤検出
準シソーラス用語： AI【人工知能】 ,  IoT ,  製造データ処理 ,  判定問題

分類 (3件)： 人工知能  (JE08000Z) ,  生産工程一般  (KB03010T) ,  システム・制御理論一般  (IA02010H)

引用文献 (2件)：

• Yamaguchi, A. et al. LTSpAUC: Learning Time-series Shapelets for Partial AUC Maximization. Big Data. 2020, 8, 5, p.391-411.
• Yamaguchi, A. et al. “RLTS: Robust Learning Time-series Shapelets”. European Conference on Machine Learning and Principles and Practice of Knowledge Discovery in Databases (ECML PKDD 2020). Virtual Conference, 2020-09, ECML PKDD. 2020, p.595-611.

タイトルに関連する用語 (5件)： 学習 ,  インフラ ,  時系列 ,  波形 ,  異常診断