Distributed collaborative anomalous sound detection by embedding sharing

要約

機械音監視システムを開発するために、異常音を検出する手法が提案されている。
このペーパーでは、複数のクライアントが生データを相互に非公開にしながら、異常音検出モデルを共同で学習する方法を検討します。
産業用機械の異常音検出のコンテキストでは、各クライアントは異なる機械または異なる動作状態からのデータを所有しているため、フェデレーテッド ラーニングまたは分割学習を通じて学習することが困難になります。
提案手法では、各クライアントは音データ分類用に開発された共通の事前学習済みモデルを使用してエンベディングを計算し、計算されたエンベディングをサーバー上で集約することで、外れ値露出による異常音検出を実行します。
実験の結果、提案手法により異常音検出の AUC が平均 6.8% 向上することがわかりました。

要約(オリジナル)

To develop a machine sound monitoring system, a method for detecting anomalous sound is proposed. In this paper, we explore a method for multiple clients to collaboratively learn an anomalous sound detection model while keeping their raw data private from each other. In the context of industrial machine anomalous sound detection, each client possesses data from different machines or different operational states, making it challenging to learn through federated learning or split learning. In our proposed method, each client calculates embeddings using a common pre-trained model developed for sound data classification, and these calculated embeddings are aggregated on the server to perform anomalous sound detection through outlier exposure. Experiments showed that our proposed method improves the AUC of anomalous sound detection by an average of 6.8%.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google