[論文レビュー] Towards Differentiating Between Failures and Domain Shifts in Industrial Data Streams

Natalia Wojak-Strzelecka, Szymon Bobek+2 more|arXiv (Cornell University)|Mar 9, 2026

Time Series Analysis and Forecasting被引用数 0

ひとこと要約

論文は、修正された Page-Hinkley 変化点検出器、異常検知のオンラインドメイン適応、および人間のオペレータを支援する説明可能AI要素を組み合わせることで、産業データストリームの故障と健全なドメインシフトを区別する手法を提案します。

ABSTRACT

Anomaly and failure detection methods are crucial in identifying deviations from normal system operational conditions, which allows for actions to be taken in advance, usually preventing more serious damages. Long-lasting deviations indicate failures, while sudden, isolated changes in the data indicate anomalies. However, in many practical applications, changes in the data do not always represent abnormal system states. Such changes may be recognized incorrectly as failures, while being a normal evolution of the system, e.g. referring to characteristics of starting the processing of a new product, i.e. realizing a domain shift. Therefore, distinguishing between failures and such ''healthy'' changes in data distribution is critical to ensure the practical robustness of the system. In this paper, we propose a method that not only detects changes in the data distribution and anomalies but also allows us to distinguish between failures and normal domain shifts inherent to a given process. The proposed method consists of a modified Page-Hinkley changepoint detector for identification of the domain shift and possible failures and supervised domain-adaptation-based algorithms for fast, online anomaly detection. These two are coupled with an explainable artificial intelligence (XAI) component that aims at helping the human operator to finally differentiate between domain shifts and failures. The method is illustrated by an experiment on a data stream from the steel factory.

研究の動機と目的

• 産業データストリームにおいて健全なドメインシフトと真の故障を分離する必要性を動機付ける。
• 分布の変化を検出し、オンラインで異常検知モデルを適応させ、差異を人間オペレータへ説明する手法を開発する。
• 鋼材の圧延前処理プロセスのケーススタディを用いて実現性を示す。

提案手法

• 基準分布と近似分布間のKL発散を用いて分布変化を識別する改良版 Page-Hinkley 変化点検出器を使用する。
• 小さなバッチでソースドメインからターゲットドメインへ異常検知を適応させるドメイン適応分類器（CCSA）を採用する。
• ドメイン適応前後の特徴量重要度を比較するSHAP解説を適用し、人間がドメインシフトと故障を区別するのを支援する。

実験結果

リサーチクエスチョン

• RQ1 産業データストリームにおける分布変化を健全なドメインシフトと故障に正確に分離できるか。
• RQ2 オンラインドメイン適応と説明可能AIが、標準的な異常/故障検知より区別を改善するか。
• RQ3 SHAPベースの解釈は、ドメイン適応の各ステップでどのように変化し、人間の意思決定をどう支援するか。

主な発見

• 提案手法は、標準的な異常検知だけでは得られない、ドメインシフトと故障の区別を可能にする。
• CCSAを用いたドメイン適応により、少量のターゲットドメインサンプルでの効果的な学習を可能にする。
• SHAP解説は適応中の特徴量重要度の変化を明らかにし、オペレータが故障とドメインシフトを区別するのを支援する。
• 鋼材冷間圾延ローラーのデータセットを用いた実験で、検出可能なシフトと対応する解釈を示す。