כתבה
arXiv cs.LG ·
דקומפוזיציה נמוכת-דרגה של מטריצה צרה ומסוגרת: זיהוי תקלות בנתוני פונקציונליים מרובי-משתנים
Low-Rank and Structured Sparse Tensor Decomposition for Anomaly Detection in Multivariate Functional Data
במאמר זה, המחברים מציגים שני שיטות דקומפוזיציה של מטריצה צרה ומסוגרת לזיהוי תקלות בנתוני פונקציונליים מרובי-משתנים. השיטות, ES-CP ו- FG-Lasso, משתמשות בקנונים צרים ומסוגרים כדי לזהות תקלות מקומיות ותקלות שמתרחשות בזמן. המחברים מדגימים את השיטות באמצעות ניסויים ובאמצעות דוגמאות ממערכת ייצור.
תקציר מקורי באנגליתarXiv:2610.06930v1 Announce Type: cross Abstract: Multivariate functional data arise in many modern manufacturing systems, where multiple sensors record densely sampled process trajectories. Monitoring such data is challenging because nominal variation is strongly correlated across samples, sensors, and time, while faults may appear either as isolated deviations or as structured departures concentrated within a limited number of sensor-specific temporal trajectories. We propose two unsupervised sparse tensor decomposition methods that preserve this multimode structure. Entrywise Sparse CP Decomposition (ES-CP) uses an entrywise \(\ell_1\) penalty to identify localized anomalies, whereas Fiberwise Sparse-Group Lasso CP Decomposition (FG-Lasso) combines entrywise and fiberwise penalties to d
קרא במקור המקורי
arxiv.org
פתח כתבה מקורית