Anomaly detection for atomic clocks using unsupervised machine learning algorithms
Notice bibliographique
Résumé
Abstract Atomic clocks are the most accurate timekeeping instruments in the world and play a crucial role in numerous applications, notably in satellite navigation. Nonetheless, the accuracy of these clock signals is subject to anomalies, highlighting the importance of anomaly characterization and detection. In our study, we identify three types of anomalies in the phase data of atomic clocks—outliers, phase jumps and inflection points, and also frequency jumps in the frequency data, which corresponds to the inflection points. The novelty of our work lies in the application of machine learning methods for atomic clock anomaly detection (AD), as opposed to traditional algorithms. We introduce a variety of unsupervised AD and change point detection (CPD) algorithms from the realms of statistics and machine learning, propose a customized thresholding function for AD, and evaluate AD and CPD algorithms on both synthetic and real-world atomic clock data. Our experiments reveal that the subsequence local outlier factor algorithm achieves excellent performance in detecting outliers and phase jumps, but struggles with inflection points. Crucially, we found that the application of a CPD algorithm specifically for detecting the frequency jumps in frequency data substantially improves performance. Our study adopts unsupervised machine learning methods for AD provides robust detection strategies, thereby contributing an expanded understanding of the use of machine learning for clock data monitoring.
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 | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 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 ».