用于异常检测的潜在离群暴露制造技术

提供了用于异常检测的潜在离群暴露。一种设备控制系统包括控制器。该控制器可以被配置为接收包括正常和未标记的未标识异常数据样本的N个样本的数据集，经由模型处理该数据集以产生与数据集中的每个样本相关联的异常评分，根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序以产生排序顺序，用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本，使用所有N个样本、标签和联合损失函数来重新训练模型，重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变，并且基于经训练的模型操作设备控制系统。练的模型操作设备控制系统。练的模型操作设备控制系统。

【技术实现步骤摘要】
用于异常检测的潜在离群暴露


[0001]本公开总体上涉及机器学习系统中的异常区域检测。更具体地，本申请涉及经由机器学习系统的异常区域检测的改进，该机器学习系统经由正常和异常数据的组合使用潜在离群暴露来训练。

技术介绍

[0002]在数据分析中，异常检测(也称为离群检测)是对因与大多数数据有显著差异而引起怀疑的特定数据、事件或观察的标识。通常，异常项目将转化为某种问题，诸如结构缺陷、故障操作、有故障、医学问题或错误。

技术实现思路

[0003]一种训练控制系统的方法包括接收包括正常和未标记的未标识异常数据样本的N个样本的数据集；经由模型处理数据集以产生与数据集中的每个样本相关联的异常评分；根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序以产生排序顺序；用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本；使用所有N个样本、标签和联合损失函数来重新训练模型；重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变；以及输出经训练的模型。
[0004]一种设备控制系统包括控制器。该控制器可以被配置为接收包括正常和未标记的未标识异常数据样本的N个样本的数据集；经由模型处理数据集以产生与数据集中的每个样本相关联的异常评分；根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序以产生排序顺序；用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本；使用所有N个样本、标签和联合损失函数来重新训练模型；重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变；并且基于经训练的模型操作该设备控制系统。
[0005]一种用于执行与载具自主控制相关联的至少一个感知任务的系统，该系统包括处理器和存储器。存储器包括指令，当由处理器执行时，该指令使得处理器接收包括正常和未标记的未标识异常数据样本的N个样本的数据集；经由模型处理数据集以产生与数据集中的每个样本相关联的异常评分；根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序以产生排序顺序；用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本；使用所有N个样本、标签和联合损失函数来重新训练模型；重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变；以及基于经训练的模型操作载具。
附图说明
[0006]图1a描绘了用于异常检测的模型训练系统的框图。
[0007]图1b描绘了用模型训练系统训练的异常检测系统的框图。
[0008]图2a描绘了来自在受污染数据上进行训练的系统的输出数据的图形表示，其中该系统被“盲目地”训练，其中所有数据被视为正常。
[0009]图2b描绘了来自在受污染数据上进行训练的系统的输出数据的图形表示，其中经训练的系统被“精炼(Refine)”，其中一些异常被过滤掉。
[0010]图2c描绘了来自在受污染数据上进行训练的系统的输出数据的图形表示，其中该系统训练了LOE
S
。
[0011]图2d描绘了来自在受污染数据上进行训练的系统的输出数据的图形表示，其中该系统训练了LOE
H
。
[0012]图2e描绘了来自在受污染数据上进行训练的系统的输出数据的图形表示，其中该系统被训练为受监督的异常。
[0013]图3a描绘了与CIFAR
‑
10的污染比相关的AUC(％)的图形表示。
[0014]图3b描绘了与F
‑
MNIST的污染比相关的AUC(％)的图形表示。
[0015]图3c描绘了与心律失常数据集的污染比相关的F1评分(％)的图形表示。
[0016]图3d描绘了与甲状腺数据集的污染比相关的F1评分(％)的图形表示。
[0017]图4a描绘了与针对LOE
H
的假设污染比相关的真实污染比的图形表示。
[0018]图4b描绘了与针对LOE
S
的假设污染比相关的真实污染比(％)的图形表示。
[0019]图5描绘了根据本公开原理的计算机控制的机器和控制系统之间的交互的示意图。
[0020]图6描绘了根据本公开原理的被配置为控制载具的图5的控制系统的示意图，该载具可以是部分自主载具、完全自主载具、部分自主机器人或完全自主机器人。
[0021]图7描绘了图5的控制系统的示意图，该控制系统被配置为控制制造系统(诸如生产线的一部分)的制造机器，诸如冲压机、切割机或枪钻。
[0022]图8描绘了图5的控制系统的示意图，该控制系统被配置为控制具有至少部分自主模式的电动工具，诸如电钻或驱动器。
[0023]图9描绘了被配置为控制自动化个人助理的图5的控制系统的示意图。
[0024]图10描绘了图5的控制系统的示意图，该控制系统被配置为控制监视系统，诸如控制访问系统或监控系统。
[0025]图11描绘了图5的控制系统的示意图，该控制系统被配置为控制成像系统，例如MRI装置、x射线成像装置或超声装置。
具体实施方式
[0026]根据需要，本文公开了本专利技术的详细实施例；然而，应理解的是，所公开的实施例仅仅是本专利技术的示例，本专利技术可以以各种以及替代形式体现。各图不一定成比例；一些特征可能被放大或缩小以示出特定组件的细节。因此，本文公开的具体结构和功能细节不应被解释为限制性的，而仅仅是作为教导本领域技术人员以不同方式采用本专利技术的代表性基础。
[0027]术语“基本上”在本文中可以用于描述公开的或要求保护的实施例。术语“基本上”可以修饰在本公开中公开或要求保护的值或相对特性。在这样的实例中，“基本上”可以表示它所修饰的值或相对特性在该值或相对特性的
±
0％、0.1％、0.5％、1％、2％、3％、4％、
5％或10％之内。
[0028]术语传感器指代检测或测量物理属性并记录、指示或以其他方式响应该属性的设备。术语传感器包括光学、光、成像或光子传感器(例如电荷耦合器件(CCD)、CMOS有源像素传感器(APS)、红外传感器(IR)、CMOS传感器)、声学、声音或振动传感器(例如麦克风、地震检波器、水听器)、汽车传感器(例如车轮速度、停车、雷达、氧气、盲点、扭矩、LIDAR)、化学传感器(例如离子敏感场效应晶体管(ISFET)、氧气、二氧化碳、化学电阻、全息传感器)、电流、电势、磁性或射频传感器(例如霍尔效应、磁力计、磁阻、法拉第杯、电流计)、环境、天气、水分或湿度传感器(例如，天气雷达、辐射计)、流量或流体速度传感器(例如，质量空气流量传感器、风速计)、电离辐射或亚原子粒子传感器(例如，电离室、盖革计数器、中子检测器)、导航传感器(例如，全球定位系统(GPS)传感器、磁流体动力学(MHD)传感器)、位置、角度、位移、距离、速度或加速度传感器(例如，LIDAR、加速度计、超宽带雷达、压电传感器)、力、密度或液位传感器(例如，应变仪、核子密度仪)、热、热本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种训练控制系统的方法，包括：接收包括正常和未标记的未标识异常数据样本的N个样本的数据集；经由模型处理数据集以产生与数据集中的每个样本相关联的异常评分；根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序，以产生排序顺序；用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本；使用所有N个样本、标签和联合损失函数来重新训练模型；重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变；以及输出经训练的模型。2.根据权利要求1所述的方法，其中，所述联合损失函数由表达。3.根据权利要求2所述的方法，其中针对正常标签y
i
＝0，并且针对异常标签y
i
＝1。4.根据权利要求2所述的方法，其中针对正常标签y
i
＝0，并且针对异常标签y
i
＝0.5。5.根据权利要求2所述的方法，其中所述异常评分由表达。6.根据权利要求1所述的方法，其中所述数据集是从传感器接收的时间序列数据，所述传感器是光学传感器、汽车传感器或声学传感器。7.根据权利要求6所述的方法，进一步包括基于经训练的模型控制载具，其中操作期间的异常评分由表达。8.根据权利要求7所述的方法，其中所述部分α基于传感器和被感测的参数以及未标记的异常数据样本。9.一种设备控制系统，包括：控制器，被配置为，接收包括正常和未标记的未标识异常数据样本的N个样本的数据集；经由模型处理数据集以产生与数据集中的每个样本相关联的异常评分；根据与每个数据样本相关联的异常评分对正常和异常数据样本进行排序，以产生排序顺序；用异常标签标记N个样本中具有最高评分的一部分α并且用正常标签标记其余样本；使用所有N个样本、标签和联合损失函数来重新训练模型；重复处理、排序、标记和重新训练步骤，直到所有N个样本的排序顺序和标签不改变；以及基于经训练的模型操作所述设备控制系统。10.根据权利要求9所述的设备控制系...

【专利技术属性】
技术研发人员：M，
申请(专利权)人：罗伯特，
类型：发明
国别省市：