[2602.15457] इवेंट-स्तरीय संवर्द्धन के साथ IoT टाइम-सीरीज़ AD को बेंचमार्क करना
![[2602.15457] इवेंट-स्तरीय संवर्द्धन के साथ IoT टाइम-सीरीज़ AD को बेंचमार्क करना](https://ibcnewsaaptak.com/wp-content/uploads/2025/06/arxiv-logo-fb.png "[2602.15457] इवेंट-स्तरीय संवर्द्धन के साथ IoT टाइम-सीरीज़ AD को बेंचमार्क करना"){kind=logo}
दिमित्री ज़ेवनेंको और 8 अन्य लेखकों द्वारा लिखित बेंचमार्किंग आईओटी टाइम-सीरीज़ एडी विद इवेंट-लेवल ऑग्मेंटेशन्स शीर्षक वाले पेपर का एक पीडीएफ देखें।
पीडीएफ देखें
HTML (प्रयोगात्मक)
अमूर्त:सुरक्षा-महत्वपूर्ण IoT समय श्रृंखला के लिए विसंगति का पता लगाने (एडी) को घटना स्तर पर आंका जाना चाहिए: यथार्थवादी गड़बड़ी के तहत विश्वसनीयता और शीघ्रता। फिर भी कई अध्ययन अभी भी क्यूरेटेड बेस डेटासेट पर बिंदु-स्तरीय परिणामों पर जोर देते हैं, जो व्यवहार में मॉडल चयन के लिए मूल्य को सीमित करते हैं। हम एकीकृत इवेंट-स्तरीय संवर्द्धन के साथ एक मूल्यांकन प्रोटोकॉल पेश करते हैं जो वास्तविक दुनिया के मुद्दों का अनुकरण करता है: कैलिब्रेटेड सेंसर ड्रॉपआउट, रैखिक और लॉग बहाव, एडिटिव शोर और विंडो शिफ्ट। हम मूल-कारण विश्लेषण का समर्थन करने के लिए प्रति-चैनल प्रभाव अनुमान के साथ मास्क-एज़-मिसिंग ज़ीरोइंग के माध्यम से सेंसर-स्तरीय जांच भी करते हैं। हम एकीकृत विभाजन और घटना एकत्रीकरण का उपयोग करके पांच सार्वजनिक विसंगति डेटासेट (SWaT, WADI, SMD, SKAB, TEP) और दो औद्योगिक डेटासेट (स्टीम टरबाइन, परमाणु टर्बोजेनरेटर) पर 14 प्रतिनिधि मॉडल का मूल्यांकन करते हैं। कोई सार्वभौमिक विजेता नहीं है: ग्राफ़-संरचित मॉडल ड्रॉपआउट और लंबी घटनाओं के तहत सबसे अच्छा स्थानांतरण करते हैं (उदाहरण के लिए, एडिटिव शोर के तहत SWaT पर F1 ग्राफ़ ऑटोएनकोडर के लिए 0.804->0.677, ग्राफ़-ध्यान संस्करण के लिए 0.759->0.680, और हाइब्रिड ग्राफ़ ध्यान मॉडल के लिए 0.762->0.756 गिरता है); घनत्व/प्रवाह मॉडल स्वच्छ स्थिर संयंत्रों पर अच्छा काम करते हैं लेकिन मोनोटोन बहाव के लिए नाजुक हो सकते हैं; आवधिकता मजबूत होने पर वर्णक्रमीय सीएनएन नेतृत्व करते हैं; बुनियादी सेंसर जांच के बाद पुनर्निर्माण ऑटोएनकोडर प्रतिस्पर्धी बन जाते हैं; भविष्य कहनेवाला/हाइब्रिड गतिशीलता तब मदद करती है जब दोष अस्थायी निर्भरता को तोड़ते हैं लेकिन विंडो-संवेदनशील बने रहते हैं। प्रोटोकॉल डिज़ाइन विकल्पों को भी सूचित करता है: लॉग ड्रिफ्ट के तहत SWaT पर, गॉसियन घनत्व के साथ सामान्य प्रवाह को बदलने से उच्च-तनाव F1 ~ 0.75 से ~ 0.57 तक कम हो जाता है, और एक सीखे हुए DAG को ठीक करने से एक छोटा सा क्लीन-सेट लाभ (~ 0.5-1.0 अंक) मिलता है लेकिन बहाव संवेदनशीलता ~ 8x बढ़ जाती है।
सबमिशन इतिहास
प्रेषक: दिमित्री ज़ेवनेंको [view email]
[v1]
मंगलवार, 17 फरवरी 2026 09:45:44 यूटीसी (817 केबी)
[v2]
गुरु, 26 फरवरी 2026 13:58:16 यूटीसी (817 केबी)