اکسپرس 24
ترجمه فارسی مقاله معیار عملکرد برای توزیع‌های امتیاز ناهنجاری چندگانه با سطوح شدت گسسته

ترجمه فارسی مقاله معیار عملکرد برای توزیع‌های امتیاز ناهنجاری چندگانه با سطوح شدت گسسته

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Performance Metric for Multiple Anomaly Score Distributions with Discrete Severity Levels
عنوان مقاله به فارسی معیار عملکرد برای توزیع‌های امتیاز ناهنجاری چندگانه با سطوح شدت گسسته
نویسندگان Wonjun Yi, Yong-Hwa Park, Wonho Jung
فرمت مقاله انگلیسی PDF
تعداد صفحات 4
دسته بندی موضوعات Machine Learning,Artificial Intelligence,یادگیری ماشین , هوش مصنوعی ,
توضیحات Submitted 8 August, 2024; originally announced August 2024. , Comments: accepted as a work-in-progress paper at the 2024 Annual Conference of the IEEE Industrial Electronics Society (IECON)
توضیحات به فارسی ارسال شده در 8 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: به عنوان یک مقاله در حال پیشرفت در کنفرانس سالانه سال 2024 انجمن الکترونیک صنعتی IEEE (IECON) پذیرفته شده است

قیمت: 19,000 تومان

سفارش

با انتخاب این گزینه، علاوه بر دریافت مقاله اصلی، را نیز سفارش می‌دهید.

قیمت: 160,000 تومان

زمان تحویل: 2 تا 3 روز کاری

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The rise of smart factories has heightened the demand for automated maintenance, and normal-data-based anomaly detection has proved particularly effective in environments where anomaly data are scarce. This method, which does not require anomaly data during training, has prompted researchers to focus not only on detecting anomalies but also on classifying severity levels by using anomaly scores. However, the existing performance metrics, such as the area under the receiver operating characteristic curve (AUROC), do not effectively reflect the performance of models in classifying severity levels based on anomaly scores. To address this limitation, we propose the weighted sum of the area under the receiver operating characteristic curve (WS-AUROC), which combines AUROC with a penalty for severity level differences. We conducted various experiments using different penalty assignment methods: uniform penalty regardless of severity level differences, penalty based on severity level index differences, and penalty based on actual physical quantities that cause anomalies. The latter method was the most sensitive. Additionally, we propose an anomaly detector that achieves clear separation of distributions and outperforms the ablation models on the WS-AUROC and AUROC metrics.

چکیده به فارسی (ترجمه ماشینی)

افزایش کارخانه های هوشمند تقاضا برای نگهداری خودکار را افزایش داده است ، و تشخیص ناهنجاری مبتنی بر داده های طبیعی به ویژه در محیط هایی که داده های ناهنجاری کمیاب هستند ، مؤثر بوده است.این روش ، که نیازی به داده های ناهنجاری در طول آموزش ندارد ، باعث شده است که محققان نه تنها بر تشخیص ناهنجاری ها بلکه در طبقه بندی شدت با استفاده از نمرات ناهنجاری تمرکز کنند.با این حال ، معیارهای عملکرد موجود ، مانند منطقه تحت منحنی مشخصه عامل گیرنده (AUROC) ، به طور مؤثر عملکرد مدل ها را در طبقه بندی سطح شدت بر اساس نمرات ناهنجاری منعکس نمی کند.برای پرداختن به این محدودیت ، ما مبلغ وزنی منطقه را در زیر منحنی مشخصه عامل گیرنده (WS-AUROC) پیشنهاد می کنیم ، که AUROC را با مجازات برای اختلافات در سطح شدت ترکیب می کند.ما آزمایش های مختلفی را با استفاده از روشهای مختلف واگذاری مجازات انجام دادیم: مجازات یکنواخت بدون در نظر گرفتن اختلافات در سطح شدت ، مجازات بر اساس اختلاف شاخص سطح شدت و مجازات بر اساس مقادیر جسمی واقعی که باعث ناهنجاری می شوند.روش دوم حساس ترین بود.علاوه بر این ، ما یک آشکارساز ناهنجاری پیشنهاد می کنیم که به جداسازی واضح از توزیع ها دست می یابد و از مدل های فرسایش در معیارهای WS-AUROC و AUROC بهتر عمل می کند.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.