Adaptable and Interpretable Framework for Novelty Detection in Real-Time IoT Systems

要約

タイトル：リアルタイムIoTシステムにおける新規性検出のための適応可能で解釈可能なフレームワーク

要約：
この論文では、リアルタイム適応的かつ解釈可能な検出（RAID）アルゴリズムを紹介しています。この新しい手法は、多変量の動的プロセスの異常検出方法の制限に対処し、モデルのトレーニング条件の範囲内での異常の検出に制限されている状況に対応しています。RAIDアルゴリズムはデータのドリフトや変化点などの非定常な影響に適応するため、モデルの開発中に考慮されなかったものに対応し、サービス寿命を延ばすことができます。共同確率分布に基づく動的モデルはシステム内の異常な振る舞いを検出し、適応的プロセス限界に基づく原因の切り分けが可能になります。RAIDアルゴリズムには既存のプロセス自動化インフラストラクチャを変更する必要がないため、異なるドメインで高度に展開可能です。リアルな動的システムデータを使用した2つのケース・スタディが、RAIDアルゴリズムの利点、変化点の適応、原因の特定、および改善された検出精度を示しています。

要約(オリジナル)

This paper presents the Real-time Adaptive and Interpretable Detection (RAID) algorithm. The novel approach addresses the limitations of state-of-the-art anomaly detection methods for multivariate dynamic processes, which are restricted to detecting anomalies within the scope of the model training conditions. The RAID algorithm adapts to non-stationary effects such as data drift and change points that may not be accounted for during model development, resulting in prolonged service life. A dynamic model based on joint probability distribution handles anomalous behavior detection in a system and the root cause isolation based on adaptive process limits. RAID algorithm does not require changes to existing process automation infrastructures, making it highly deployable across different domains. Two case studies involving real dynamic system data demonstrate the benefits of the RAID algorithm, including change point adaptation, root cause isolation, and improved detection accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI