基于迁移学习的火花湘度计数据质量监控
机器学习
2025-11-06 v3
摘要
传感器的快速增长带来了许多领域海量时空（ST）数据，包括监控、诊断和预报应用。数据 curated 对大量数据而言耗时耗力，在新环境中部署数据分析平台具有挑战性和高成本。迁移学习（TL）机制通过利用预训练模型用于新任务，旨在缓解数据稀缺和模型复杂度问题。尽管 TL 在计算机视觉和自然语言处理等领域取得了显著成功，但在用于复杂 ST 异常检测（AD）应用的 ST 模型方面的努力仍有限。本研究在混合自编码器架构中引入卷积、图神经网络和循环神经网络，探讨了 TL 在高维 ST AD 应用中的潜力。受改进模型准确性和鲁棒性需求的驱动，尤其是在系统中成千上万传感器且训练数据有限的场景下，本研究考察了在康宇量子子磁场实验的火花湘度计中，不同章节训练的模型的可迁移性。研究的关键贡献包括探讨编码器和解码器网络中 TL 的潜力与局限性，揭示了提升性能、大幅减少可训练参数并缓解数据污染效应的模型初始化和训练配置。代码：https://github.com/muleina/CMS_HCAL_ML_OnlineDQM
引用
@article{arxiv.2408.16612,
title = {Data Quality Monitoring for the Hadron Calorimeters Using Transfer Learning for Anomaly Detection},
author = {Mulugeta Weldezgina Asres and Christian Walter Omlin and Long Wang and Pavel Parygin and David Yu and Jay Dittmann and The CMS-HCAL Collaboration},
journal= {arXiv preprint arXiv:2408.16612},
year = {2025}
}
备注
25 pages, 14 figures, 7 tables, and published version of "aXriv:2408.16612v1: Data Quality Monitoring through Transfer Learning on Anomaly Detection for the Hadron Calorimeters"