Apr, 2024

使用 AcME-AD 在工业流程中实现高效灵活的数据驱动异常检测可解释性

PDF
TL;DR本文首次在工业环境中应用 AcME-AD，实验证明其作为工业环境下可信且可操作洞察力的有价值工具，通过提供模型无关且灵活的快速用户友好解释，以及基于特征的根本原因分析，为支持行动决策提供支持，为透明度不足、洞察力无法转化为可操作决策的挑战提供解决方案，特别适用于与人为中心的演进工业时代。
machine learningindustry 4.0acme-adanomaly detectionindustrial decision support systems
发现论文，激发创造
  • AcME-AD：用于异常检测的加速模型解释

    AcME-AD 是一种基于可解释人工智能原则的新型方法，旨在提高数据异常检测模型的解释性和可靠性，通过提供本地特征重要性评分和 what-if 分析工具来揭示每个异常的因素，从而帮助解决原因分析和决策问题。

    Mar, 2024

  • 透明异常检测的基于概念的解释

    透明异常检测概念解释（ACE）是一种基于深度学习技术的新方法，旨在提供可解释的异常检测结果，并能与人类有效交互，具有与黑盒模型相比更高或相当的性能，并可与其他基于分类的异常检测方法无缝集成。

    Oct, 2023

  • 可解释的基于数据驱动的工业过程异常检测

    该论文介绍了一种名为 ExIFFI 的方法，在工业领域首次应用扩展隔离森林（EIF）异常检测方法，通过提供解释性输出来获得理解结果的原理，并在两个公开工业数据集上进行测试，展示了在解释和计算效率上相对于其他最先进的可解释 AD 模型的卓越效果。

    May, 2024

  • ADs: 先进制造系统中的数据质量保证活动数据分享

    提出了一种主动数据共享 (ADs) 框架，用于在多台机器之间确保共享数据的质量，解决了机器学习中不同分布条件下数据的分布不匹配问题，并在三个增材制造过程的原位监测数据上验证了该方法的异常检测效果。

    Mar, 2024

  • 提升异常检测：一种自适应模型和新数据集

    我们提出了情景适应性异常检测（SA2D）方法，利用少样本学习框架对预训练模型进行快速适应新概念。为了解决数据集的缺乏问题，我们引入了多情景异常检测（MSAD）数据集，包括从各种摄像机角度捕获的 14 个不同情景，背景中包含挑战性的变化。通过实验证明了 SA2D 的有效性，尤其是在 MSAD 数据集上进行训练。这突出了我们的方法在检测不同和不断发展的监控情景中的异常的挑战中的潜力。

    Feb, 2024

  • 使用混合专家从噪声标签中进行异常检测的 ADMoE

    提出了一种用于从较便宜的弱 / 噪声标签中学习的 ADMoE 方法，该方法通过 MoE 构架鼓励专业和可扩展的学习，并通过构建 “专家” 子网络来鼓励专业化，在 8 个数据集中有效地使用，可以提高 34％的性能。

    Aug, 2022

  • IM-IAD: 制造业中的工业图像异常检测基准

    在工业制造中，图片异常检测是一个重要的计算机视觉任务，已提出许多高级算法，但其性能存在差异。在本文中，我们首先提出了一个统一的工业制造设置，以评估这些算法在不同方面上的性能表现，然后构建了综合性的图片异常检测基准，该基准包括 16 种算法和 7 个数据集，并提供了深入的实验结果以及面向未来的挑战和方向。

    Jan, 2023

  • 可调和逻辑工业视觉检测的构件感知异常检测框架

    本文介绍了一种新的组件感知异常检测框架 (ComAD)，该框架利用轻量级和几乎不需要训练的无监督语义分割模型将图像分割成多个组件，并通过建模每个组件和它们之间的关系来实现可调节的和逻辑异常检测，该框架在图像级逻辑异常检测方面取得了最新的性能，并且将产品图像分成多个组件提供了一个新的视角，具有在模型定制、噪声抵抗和异常分类方面巨大的潜力。

    May, 2023

  • 跨模态蒸馏在工业异常检测中的应用：高效多模态 IAD 的探索

    提出了 CMDIAD 框架用于多模态工业异常检测，并通过生成跨模态幻觉来解决缺失模态的问题，探究了以点云或 RGB 图像作为主要推理模态时的性能改善原因，为制造场景中的高效异常检测奠定了基础。

    May, 2024

  • 复杂工业图像的监督异常检测

    自动化视觉检测在工业生产线上对于提高产品质量至关重要。异常检测方法是实现此目的的强大工具。此论文介绍了一种包含具有挑战性真实缺陷实例的新型实际工业数据集，并提出了一种基于分割的异常检测器，其在该数据集上表现出先进性能。

    May, 2024