将稀疏生产知识引入变分自编码器以提升异常检测可靠性
机器学习
2021-06-23 v2 人工智能
摘要
数字化使生产系统的数据变得透明，我们可借助神经网络等数据驱动分析方法从中获益。例如，自动化异常检测能够节省资源并优化生产。我们研究将罕见出现的关于已标注异常的信息引入变分自编码器神经网络结构，以克服监督与无监督方法的信息缺失问题。该方法在准确率、精确率和召回率上优于所有其他模型。我们在七个时间序列数据集上评估了以下方法：主成分分析、孤立森林、分类神经网络和变分自编码器，以寻找性能最优的检测方法。我们将这一思路扩展至纳入更罕见出现的关于生产过程的元信息。这种对异常或生产数据的稀疏标签的使用，使得能够利用任何可用的附加信息来提升异常检测性能。
引用
@article{arxiv.2103.12998,
title = {Including Sparse Production Knowledge into Variational Autoencoders to Increase Anomaly Detection Reliability},
author = {Tom Hammerbacher and Markus Lange-Hegermann and Gorden Platz},
journal= {arXiv preprint arXiv:2103.12998},
year = {2021}
}