TKDA: A Tensor-Based Knowledge Distillation Approach of Anomaly Detection for Industrial Cyber-Physical Intelligence
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The breakthroughs of next-generation information technologies have accelerated the advancement of industrial cyber-physical intelligence (ICPI), particularly in system intelligence and applications. However, this progress has also brought challenges in ensuring operational reliability and system intelligence. Anomaly detection, a critical component of fault-tolerant and intelligent ICPI, is usually addressed by treating it as a one-class classification and location problem. While autoencoder frameworks have shown promise in addressing this challenge, most existing methods usual struggle with precise anomaly identification or require resource-intensive region-based training. Furthermore, the dynamic nature of anomalies and the scarcity of labeled training data complicate the development and evaluation of anomaly detection models. In this article, an innovative tensor-based knowledge distillation approach (TKDA) is introduced, which integrates a pretrained teacher network, a tensor-decomposed student network, and a denoising module into a unified framework. Anomalies are identified and localized by analyzing differences in intermediate activation values between teacher and student networks during data processing. Extensive experiments demonstrate that TKDA addresses the limitations of low accuracy in anomaly location and inefficiency in computational processes, achieving significant improvements across diverse datasets, including F-MNIST, MNIST, CIFAR-10, MVTecAD, Retinal-OCT, and two medical datasets.
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.
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 | 0,002 |
| 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 découle