Sep, 2022

基于人工和匿名训练的多分类器故障预测模型，确保数据隐私

PDF
TL;DR本文提出了一种新颖的非侵入式系统故障预测技术，该技术利用开发人员提供的信息和原始日志中的最小信息（而不是挖掘整个日志），并将数 据完全保留在数据所有者的管辖范围内。
system failure predictionnon-intrusiveneural networkmulti-criteria decision makingbinary classifiers
发现论文，激发创造
  • 医学图像分类中的故障检测：现实检验和基准测试

    本文研究了自动图像分类中的故障检测，通过对 6 个医学影像数据集的测试发现，现有的置信度评分方法无法准确检测分类模型的测试失败，建议今后加强研究，提高故障检测的准确性。

    May, 2022

  • 使用负采样进行可解释的多维多模异常检测，用于设备故障检测

    提出一种无监督的异常检测方法，利用负采样创建负样本，并利用分类器区分正样本和负样本来查找设备的运行异常，证明负采样方法与神经网络分类器可有效应用于真实气候控制设备的故障预测。

    Jul, 2020

  • 基于多变量时间序列的机器故障预测：一个工业案例研究

    通过评估不同的历史数据量和预测未来时间范围，以预测系统故障的性能表现，研究发现预测窗口的大小对性能起关键作用，并突显深度学习在分类具有不同时间依赖模式的数据方面的有效性，以及机器学习在分类相似和重复模式的数据方面的有效性。

    Feb, 2024

  • 生成对抗网络用于故障预测

    这篇论文提出了一种利用生成式对抗网络的故障预测新算法 (GAN-FP)，该算法可以应用于机器学习算法解决的高度不平衡数据的故障预测问题，利用两个 GAN 网络同时生成训练样本并构建一个推理网络，以预测新样本的故障情况。

    Oct, 2019

  • 预测算法故障模式高效识别

    通过人机协作框架和随机采样算法，以设计平衡探索和利用的措施为手段，从未标记数据中高效地识别误分类模式，并运用行列式点过程构造生成器，展现了竞争性能的实验结果。

    Jun, 2023

  • 利用人工神经网络构建鲁棒的缺陷传感器数据预测模型

    本研究提出了基于人工神经网络的框架，能够有效利用大量传感器信号信息来准确预测汽车零部件的健康状态，并引入数据增强方法以消除噪声的影响。该框架已在 Robert Bosch GmbH 的实际应用中得到验证。

    Apr, 2018

  • 利用生成模型理解分类器的错误

    本文提出了一种使用生成模型来检测分类器失效的方法，在三种分类错误中测试了该方法的有效性，并探讨了半监督学习中不受类标签影响的适用性。

    Oct, 2020

  • 机器学习的错误预测作为人文学科研究方法：发掘适合进行定性分析的丰富案例

    该论文测试了一种使用机器学习中的失败预测来识别具有歧义和丰富案例的定性分析方法学，结果支持 Munk 等人的理论，并进一步指出该方法可以在更广泛的人文领域中应用，而且不需要复杂的神经网络。

    May, 2023

  • 走向责任人工智能：混合人机分析系统故障特征

    机器学习系统 accountability 评估方法 fail 特点系统 Pandora 优势。

    Sep, 2018

  • 基于联邦数据融合的多流不完全信号应用的预测模型

    本文提出了一种联邦预测模型，允许多个用户共同构建基于多流、高维和不完整数据的故障时间预测模型，同时保持每个用户的数据本地和保密。该预测模型首先使用多元功能主成分分析融合多流退化信号，然后利用融合特征和失效时间来构建（对数）位置 - 比例回归模型进行故障预测。为了使用分布式数据集进行参数估计并保护所有参与者的数据隐私，我们提出了一种新的联邦算法进行特征提取。数值研究表明，所提出的模型的性能与经典的非联邦预测模型相同，并且优于每个用户自建模型的性能。

    Nov, 2023