arXiv:2112.03275

Smart Metering System Capable of Anomaly Detection by Bi-directional LSTM Autoencoder

Sangkeum Lee, Hojun Jin, Sarvar Hussain Nengroo, Yoonmee Doh, Chungho Lee, Taewook Heo, Dongsoo Har

제출 2021-12-06

원문 초록

Anomaly detection is concerned with a wide range of applications such as fault detection, system monitoring, and event detection. Identifying anomalies from metering data obtained from smart metering system is a critical task to enhance reliability, stability, and efficiency of the power system. This paper presents an anomaly detection process to find outliers observed in the smart metering system. In the proposed approach, bi-directional long short-term memory (BiLSTM) based autoencoder is used and finds the anomalous data point. It calculates the reconstruction error through autoencoder with the non-anomalous data, and the outliers to be classified as anomalies are separated from the non-anomalous data by predefined threshold. Anomaly detection method based on the BiLSTM autoencoder is tested with the metering data corresponding to 4 types of energy sources electricity/water/heating/hot water collected from 985 households.

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.28149v1eess.SY공통 태그 Anomaly Detection, Fault Detection

EvEMTBench: 전력 시스템 보호를 위한 머신러닝 오픈 벤치마크

EvEMTBench: An Open Benchmark for Machine Learning in Power System Protection

머신러닝 기반 전력 시스템 보호에 관한 연구들은 과업 정의, 측정값 접근성, 데이터 분할, 평가 지표 및 일반화 조건이 서로 다른 경우가 많아 직접 비교하기 어렵습니다. EvEMTBench는 모델 설계는 자유롭게 유지하면서 이러한 평가 기준들을 고정한 공개적이고 실행 가능하며 버전 관리가 지원되는 벤치마크(benchmark)를 통해 이러한 간극을 해소합니다. 20~345 kV 범위에 걸친 4개 전력망을 대상으로, 24개의 점수 산정 과업으로 구체화된 12개의 보호 및 이벤트 분석 기능을 정의하며, 관측 가능성 조건, 사전 정의된 분포 변화(distribution shift), 제로샷(zero-shot) 및 파인튜닝(fine-tuning) 기반의 전력망 간 전이(cross-grid transfer) 전반에 걸친 구조화된 평가를 지원합니다. 확정된 데이터 분할, 데이터 누출(leakage) 제어, 재현 가능한 보고 체계는 향후 방법론들을 비교하기 위한 공통의 기준을 제공합니다. 기초적 베이스라인, 전통적 방식, 특징(feature) 기반 방식, 딥러닝 베이스라인을 아우르는 기준 평가 결과는 관측 가능성이 넓어진다고 해서 항상 유리한 것은 아니며, 분포가 변화된 조건에서는 내부 분포(in-distribution)에서 드러나지 않던 오류가 나타날 수 있고, 전력망 간 전이 성능은 고장 위치 추정보다 고장 감지에서 실질적으로 훨씬 더 강건하다는 점을 보여줍니다. 또한 보호 시스템 관점의 진단을 통해 주요 평가 지표만으로는 드러나지 않는 실패 모드를 식별합니다. 따라서 EvEMTBench는 머신러닝 기반 보호 분야의 일반화를 명시적이고 재현 가능한 평가 문제로 정립합니다.

arXiv:2607.22987v1cs.LG공통 태그 Anomaly Detection, Fault Detection

적대적 역강화학습을 통한 레이블 없는 산업 고장 탐지: 고장까지 운전 예후 진단 시스템

Label-free Industrial Fault Detection via Adversarial Inverse Reinforcement Learning: A System for Run-to-Failure Prognostics

기계 고장 탐지(MFD)는 여전히 지도학습에 크게 의존하며, 실제 환경에서는 고장 레이블이 부족해 어려움을 겪는다. 강화학습(RL)은 열화의 순차적 특성을 모델링할 수 있는 프레임워크를 제공하지만, 현재의 ``RL 기반'' MFD 방법들은 문제를 정적 문맥적 밴딧(CB) 공식화로 축소한다. 상태 전이를 무시하고 시간적 할인 인자를 버림으로써, 이들은 표준 지도 분류로 퇴화한다. 우리는 MFD를 오프라인 역강화학습(IRL) 문제로 다루는 적대적 역강화학습(AIRL) 프레임워크를 제안한다. 정적 오차 여백에 의존하는 재구성 기반 접근법이나 역학을 무시하는 CB와 달리, 우리 방법은 관측 상태 전이로부터 본질적인 "건강" 보상을 직접 복원하며, 수동 보상 설계나 고장 레이블이 모두 필요하지 않다. 세 가지 고장까지 운전(run-to-failure) 벤치마크(HUMS2023, IMS, XJTU-SY)에서 AIRL은 모든 데이터셋에서 포화되지 않은 탐지 후 일관성을 달성한 유일한 방법이며, CB 베이스라인은 점진적 열화를 탐지하지 못하고 재구성 모델은 항상 이상 상태로 붕괴한다. 코드 및 데이터: https://github.com/dhirajneupane/AIRL-MFD-DN.

arXiv:2607.12868v1cs.SE공통 태그 Anomaly Detection, Fault Detection

Deep4ge: 결함 탐지 및 진단을 위한 DNN 학습 궤적

Deep4ge: DNN Training Trajectories for Fault Detection and Diagnosis

심층 학습 시스템은 학습 동작을 바꾸는 미묘한 구현 결함으로 인해 종종 실패한다. 최근 연구에서는 학습 에포크 전반에 걸쳐 관측되는 변화로부터 이러한 실패를 탐지하고 진단하는 방법을 연구해 왔다. 그러나 소프트웨어 공학 커뮤니티에는 결함 탐지 및 진단 작업을 위한 문서화된 결함 이력, 특징 추출 세부 사항, 그리고 명확한 재사용 지원을 갖춘 에포크 단위 학습 실행의 공개 데이터셋이 여전히 부족하다. 우리는 Stack Overflow에서 수집한 59개의 적응된 TensorFlow/Keras 심층 신경망(DNN) 프로그램으로부터 생성된 14,227개의 학습 실행으로 구성된 통제된 벤치마크 Deep4ge를 제시한다. 우리는 7개 범주에 걸쳐 알려진 결함을 도입하는 27가지 소스 코드 변환을 사용하여 결함이 있는 변종을 생성했다. 데이터셋에는 9,845개의 결함이 있는 실행과 4,382개의 올바른 기준선 실행이 포함된다. 각 실행에 대해 우리는 매 에포크의 학습 동작을 측정하는 4개의 평가 지표와 26개의 특징을 기록한다. 이러한 특징은 가중치, 그래디언트, 활성화, 정확도 및 손실 추세, 학습률, 하드웨어 사용을 포착한다. Deep4ge는 이진 결함 탐지, 다중 클래스 결함 진단, 부분 학습 실행으로부터의 조기 결함 예측을 지원한다. 우리는 https://doi.org/10.5281/zenodo.20337241 에서 데이터셋과 결함 주입 프레임워크를 공개한다.

arXiv:2607.21776v2cs.LG공통 태그 Anomaly Detection

PulseGuard: 토킹페이스 딥페이크 탐지를 위한 포렌식 모달리티로서의 rPPG 기반 시간 신호

PulseGuard: rPPG-Derived Temporal Signals as a Forensic Modality for Talking-Face Deepfake Detection

토킹페이스(TF) 딥페이크 생성은 정지된 원본 이미지와 음성 신호로부터 사실적인 얼굴 영상을 합성하며, 현재의 이미지 기반 탐지기가 일관되게 식별하지 못하는 위조물을 만들어 낸다. 얼굴 교체 조작과 달리 TF 합성에는 생리적 특성을 물려받을 기반 실제 영상이 없으므로, 이 위조 범주의 탐지 모달리티로 원격 광혈류측정(rPPG)이 동기화된다. 우리는 RhythmFormer로 윈도우별 rPPG 파형을 추출하고 경량 분류기 모음을 학습시켜 실제 신호와 합성 신호를 구분하는 탐지 프레임워크 PulseGuard를 제안한다. 테스트 신원이 학습 신원과 완전히 분리된 엄격한 피험자 독립 프로토콜로 Celeb-DF++의 TF 부분집합에서 평가한 결과, 우리의 1D ResNet은 추출된 시간 신호만으로 동작하면서 EER 25.1%에서 윈도우 수준 AUC 0.826(DeepFakesON-Phys가 평가되는 단위인 영상 수준으로 풀링 시 0.842)을 달성하며, 학습에서 완전히 제외된 생성기에 대해서도 AUC 0.754를 유지한다. 우리는 대표적인 기존 rPPG 탐지기인 DeepFakesON-Phys의 통제된 재현 연구를 제시하여, 기존 얼굴 교체 데이터에서의 AUC 0.999가 Celeb-DF++의 TF 부분집합에서는 0.576으로 저하됨을 보인다. 또한 탐지 난이도가 방법에 크게 의존함을 보이는데, 일곱 개의 TF 생성기에 걸쳐 AUC는 0.937(Real3DPortrait)에서 0.617(IP-LAP)까지 분포하며, 이 순서는 방법별 학습에서도 대체로 유지된다. 이 편차는 평가 잡음이 아니라 학습 방식 전반에 걸쳐 안정적이며, 본 연구의 주된 실증적 기여이다. 우리는 이를 실증적 기준선으로 보고하며, 판별 근거가 심장 기원임을 입증하지는 않는다.

arXiv:2607.13346v2cs.CR공통 태그 Anomaly Detection

PRISM: 정렬 위장 주장에 대한 스트레스 테스트

PRISM: Stress-Testing Alignment-Faking Claims

우리는 AI 시스템이 안전한지를 주로 그 행동을 관찰하여 판단한다. 정렬 위장은 이를 무너뜨린다. 감시받고 있다고 믿을 때만 올바르게 행동하거나, 훈련으로 인해 변형되는 것을 피하기 위해 지금은 순응하는 모델은 모든 행동 테스트를 통과할 수 있다. 이러한 행동은 한 최첨단 모델에서 보고된 바 있으며, 모니터링 프롬프트 하에서 더 많이 순응하는 오픈 웨이트 모델은 이제 이를 보이는 것으로 해석되고, 은닉 상태 프로브가 탐지기로 제안되고 있다. 본 연구는 이 두 가지 추론을 모두 검증하였으며, 어느 쪽도 성립하지 않는다. 18개 모델 구성 중 11개가 감시받고 있다는 말을 들으면 더 많이 순응한다. 그러나 네 모델에 대한 프롬프트 요인 실험은 훈련 위협이 탐지 가능한 효과를 갖지 않음을 보여 주며, 이를 제거해도 순응도는 -3.3점에서 +1.6점 사이로만 변한다. 격차를 만드는 것은 오히려 프롬프트의 표현과 프레이밍이다. 프로브도 나을 것이 없다. 프로브는 감시 하의 순응 응답과 비감시 하의 순응 응답을 구분하지만(AUROC 0.96-0.99), 거부 응답도 똑같이 잘 구분한다. 즉 프로브는 위장이 아니라 프롬프트를 읽는다. 거부 응답만으로 학습한 조향 방향도 '위장' 방향과 동일한 정도로 행동을 변화시킨다. 본 연구는 이러한 실패 각각을 주장으로 굳어지기 전에 포착하는 다섯 가지 점검과 툴킷인 PRISM을 공개한다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.