産業用センサのビッグ時系列のためのマルチスケール異常検出【JST・京大機械翻訳】

Ding Quan; Liu Shenghua; Zhou Bin; Shen Huawei; Cheng Xueqi

プレプリント

J-GLOBAL ID：202202220446779618 整理番号：22P0333447

産業用センサのビッグ時系列のためのマルチスケール異常検出【JST・京大機械翻訳】

Multi-scale Anomaly Detection for Big Time Series of Industrial Sensors

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (5件)： , , , ,
資料名：
発行年： 2022年04月18日プレプリントサーバーでの情報更新日： 2022年04月18日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

多変数ビッグ時系列を与えられた場合,それらが発生するとすぐに異常を検出することができる。多くの既存の研究は,再構成フレームワークにおいてどのくらいの時系列が離れているかを学習することによって異常を検出する。しかし,ほとんどのモデルは,最適化アルゴリズムがそのような長い系列を提供できないので,大きな時系列を小さな断片に経験的に切断しなければならない。質問を提起した:そのようなカットは,文章における不正確な中断のような固有の意味セグメントを汚染する。従って,再構成ベースの異常検出方法,MissGAN,反復学習を,粗いセグメントで自然に滑らかな時系列を解読し,符号化し,HMMに基づく低次元表現からより微細なセグメントを見つける。結果として,マルチスケールセグメントからの学習,MissGANは,敵対的正則化と余分な条件付き状態の助けを借りて,有意義でロバストな時系列を再構成できる。MissGANはラベルを要求せず,通常インスタンスのラベルのみを必要とし,広く応用できる。実際の水ネットワークセンサの工業データセットに関する実験は,著者らのMissGANがスケーラビリティを有するベースラインより優れていることを示した。さらに,CMU運動データセットに関する事例研究を用いて,提案モデルが与えられた条件付き運動から予想外のジェスチャを良好に識別できることを示した。【JST・京大機械翻訳】

, , , , , , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , ,

前のページに戻る