Resilient VAE: Unsupervised Anomaly Detection at the SLAC Linac Coherent Light Source

要約

近年、異常検出にディープラーニングを利用する技術が大きく進歩しました。
ただし、これらの方法は主に、通常のトレーニング セット (つまり、異常に汚染されていない) または完全にラベル付けされたトレーニング セットの存在を前提としています。
粒子加速器などの多くの複雑な工学システムでは、ラベルはまばらで高価です。
このような場合に異常検出を実行するには、これらの仮定を捨て、完全に教師なしの方法を利用する必要があります。
このペーパーでは、異常検出用に特別に設計された深層生成モデルである Resilient variational Autoencoder (ResVAE) について紹介します。
ResVAE は、トレーニング データに存在する異常に対する回復力を示し、特徴レベルの異常の属性を提供します。
トレーニング プロセス中に、ResVAE は各サンプルと個々の特徴の異常確率を学習し、これらの確率を利用してトレーニング データ内の異常な例を効果的に無視します。
提案した手法を SLAC リニアックコヒーレント光源 (LCLS) の加速器状態の異常を検出するために適用します。
ビーム位置監視システムからのショット間のデータを利用することで、加速器内で目に見えるさまざまなタイプの異常を識別する際の ResVAE の卓越した能力を実証します。

要約(オリジナル)

Significant advances in utilizing deep learning for anomaly detection have been made in recent years. However, these methods largely assume the existence of a normal training set (i.e., uncontaminated by anomalies) or even a completely labeled training set. In many complex engineering systems, such as particle accelerators, labels are sparse and expensive; in order to perform anomaly detection in these cases, we must drop these assumptions and utilize a completely unsupervised method. This paper introduces the Resilient Variational Autoencoder (ResVAE), a deep generative model specifically designed for anomaly detection. ResVAE exhibits resilience to anomalies present in the training data and provides feature-level anomaly attribution. During the training process, ResVAE learns the anomaly probability for each sample as well as each individual feature, utilizing these probabilities to effectively disregard anomalous examples in the training data. We apply our proposed method to detect anomalies in the accelerator status at the SLAC Linac Coherent Light Source (LCLS). By utilizing shot-to-shot data from the beam position monitoring system, we demonstrate the exceptional capability of ResVAE in identifying various types of anomalies that are visible in the accelerator.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google