Multivariate Variance-Based Genetic Ensemble Learning for Satellite Anomaly Detection
Notice bibliographique
Résumé
Proactive diagnosis of spacecraft issues and response to conceivable hazards has attracted considerable interest. Hidden anomalies in satellites can cause overall system degradation. In multivariate time series anomaly detection (AD), several sensors report to a fusion center at each timestamp. Each of these sensors measures a specific feature of the satellites. In this paper, we first leverage the eigenvalues of covariance metrics of a multivariate time series to determine the anomaly score at each timestamp. Then, the anomaly scores are fed to various machine learning models. After that, we employ a Multivariate Variance-based Genetic Ensemble (MVVGE) learning method to ensemble the results of several models based on their corresponding performance. More specifically, we ensemble different Neural Network (NN), Random Forest (RF), and Linear Regression (LR) models based on their associated variance to catch the anomalies of three datasets, i.e., two satellite datasets: i) Soil Moisture Active Passive (SMAP), ii) Mars Science Laboratory rover (MSL), and Server Machine Dataset (SMD). Given that establishing the model confidence region is the bottleneck of our approach, we use an approximated version of the Bayesian NNs (BNN)s for acquiring confidence intervals of NN-based models. For RF and LR confidence intervals, we use an empirical method and bootstrapping, respectively. Simulation results confirm the superiority of our proposed approach compared to other methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».