| | SLO | ENG | Piškotki in zasebnost

Večja pisava | Manjša pisava

Izpis gradiva Pomoč

Naslov:Accuracy is not enough: optimizing for a fault detection delay
Avtorji:ID Šprogar, Matej (Avtor)
ID Verber, Domen (Avtor)
Datoteke:.pdf AccuracyIsNotEnough23.pdf (478,93 KB)
MD5: B863E205A9C82F493381E08681CF63A7
 
URL https://www.mdpi.com/2227-7390/11/15/3369
 
Jezik:Angleški jezik
Vrsta gradiva:Članek v reviji
Tipologija:1.01 - Izvirni znanstveni članek
Organizacija:FERI - Fakulteta za elektrotehniko, računalništvo in informatiko
Opis:This paper assesses the fault-detection capabilities of modern deep-learning models. It highlights that a naive deep-learning approach optimized for accuracy is unsuitable for learning fault-detection models from time-series data. Consequently, out-of-the-box deep-learning strategies may yield impressive accuracy results but are ill-equipped for real-world applications. The paper introduces a methodology for estimating fault-detection delays when no oracle information on fault occurrence time is available. Moreover, the paper presents a straightforward approach to implicitly achieve the objective of minimizing fault-detection delays. This approach involves using pseudo-multi-objective deep optimization with data windowing, which enables the utilization of standard deep-learning methods for fault detection and expanding their applicability. However, it does introduce an additional hyperparameter that needs careful tuning. The paper employs the Tennessee Eastman Process dataset as a case study to demonstrate its findings. The results effectively highlight the limitations of standard loss functions and emphasize the importance of incorporating fault-detection delays in evaluating and reporting performance. In our study, the pseudo-multi-objective optimization could reach a fault-detection accuracy of 95% in just a fifth of the time it takes the best naive approach to do so.
Ključne besede:artificial neural networks, deep learning, fault detection, accuracy, multi-objective optimization
Status publikacije:Objavljeno
Verzija publikacije:Objavljena publikacija
Poslano v recenzijo:29.06.2023
Datum sprejetja članka:31.07.2023
Datum objave:01.08.2023
Založnik:MDPI
Leto izida:2023
Št. strani:18 str.
Številčenje:Vol. 11, no. 15, [Article no.] 3396
PID:20.500.12556/DKUM-86403 Novo okno
UDK:004.8
COBISS.SI-ID:160904707 Novo okno
DOI:10.3390/math11153369 Novo okno
ISSN pri članku:2227-7390
Avtorske pravice:© 2023 by the authors
Datum objave v DKUM:30.11.2023
Število ogledov:363
Število prenosov:27
Metapodatki:XML DC-XML DC-RDF
Področja:Ostalo
:
Kopiraj citat
  
Skupna ocena:(0 glasov)
Vaša ocena:Ocenjevanje je dovoljeno samo prijavljenim uporabnikom.
Objavi na:Bookmark and Share


Postavite miškin kazalec na naslov za izpis povzetka. Klik na naslov izpiše podrobnosti ali sproži prenos.

Gradivo je del revije

Naslov:Mathematics
Skrajšan naslov:Mathematics
Založnik:MDPI AG
ISSN:2227-7390
COBISS.SI-ID:523267865 Novo okno

Gradivo je financirano iz projekta

Financer:ARRS - Agencija za raziskovalno dejavnost Republike Slovenije
Program financ.:Informacijski sistemi
Številka projekta:P2-0057
Naslov:Informacijski sistemi

Licence

Licenca:CC BY 4.0, Creative Commons Priznanje avtorstva 4.0 Mednarodna
Povezava:http://creativecommons.org/licenses/by/4.0/deed.sl
Opis:To je standardna licenca Creative Commons, ki daje uporabnikom največ možnosti za nadaljnjo uporabo dela, pri čemer morajo navesti avtorja.

Sekundarni jezik

Jezik:Slovenski jezik
Ključne besede:umetna inteligenca, globoko učenje, multi-objektna optimizacija


Komentarji

Dodaj komentar

Za komentiranje se morate prijaviti.

Komentarji (0)
0 - 0 / 0
 
Ni komentarjev!

Nazaj
Logotipi partnerjev Univerza v Mariboru Univerza v Ljubljani Univerza na Primorskem Univerza v Novi Gorici