Новый датасет для обнаружения аномалий в промышленной автоматизации на основе федеративного обучения
Группа исследователей опубликовала работу, посвящённую созданию нового датасета для обнаружения аномалий в многомерных временных рядах с использованием федеративного обучения. Проблема заключается в том, что существующие наборы данных не обладают одновременно достаточным масштабом, точными метками и отсутствием типичных ошибок.
Авторы отметили, что циклическое поведение процессов, часто встречающееся в дискретной промышленной автоматизации, остаётся малоизученным в контексте обнаружения аномалий. Новый датасет как раз восполняет этот пробел: он включает циклическую динамику, возникающую из повторяющегося характера дискретных автоматизированных процессов.
В рамках исследования также проведена оценка нескольких методов обнаружения аномалий как на предложенном датасете, так и на общедоступном бенчмарке. Результаты позволяют лучше понять, как федеративное обучение может применяться в промышленных сценариях.
Разработка может быть полезна для инженеров и специалистов по машинному обучению, работающих в области промышленной автоматизации и контроля качества. По мнению авторов, датасет упростит сравнение алгоритмов и ускорит внедрение интеллектуальных систем мониторинга.
Работа выполнена в контексте растущего интереса к федеративному обучению, которое позволяет обучать модели без централизации данных, что особенно важно для промышленных предприятий с конфиденциальной информацией.
