論文の概要: Health Indicator Forecasting for Improving Remaining Useful Life Estimation

• arxiv url: http://arxiv.org/abs/2006.03729v1
• Date: Fri, 5 Jun 2020 23:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 03:34:34.227618
• Title: Health Indicator Forecasting for Improving Remaining Useful Life Estimation
• Title（参考訳）: 余剰生活推定を改善するための健康指標予測
• Authors: Qiyao Wang, Ahmed Farahat, Chetan Gupta, Haiyan Wang
• Abstract要約: 本稿では,健康指標予測のための新しい生成・シナリオマッチングアルゴリズムを提案する。 実験結果は,他の最先端手法よりもアルゴリズムの方が優れていることを示す。
• 参考スコア（独自算出の注目度）: 12.250035750661866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Prognostics is concerned with predicting the future health of the equipment and any potential failures. With the advances in the Internet of Things (IoT), data-driven approaches for prognostics that leverage the power of machine learning models are gaining popularity. One of the most important categories of data-driven approaches relies on a predefined or learned health indicator to characterize the equipment condition up to the present time and make inference on how it is likely to evolve in the future. In these approaches, health indicator forecasting that constructs the health indicator curve over the lifespan using partially observed measurements (i.e., health indicator values within an initial period) plays a key role. Existing health indicator forecasting algorithms, such as the functional Empirical Bayesian approach, the regression-based formulation, a naive scenario matching based on the nearest neighbor, have certain limitations. In this paper, we propose a new `generative + scenario matching' algorithm for health indicator forecasting. The key idea behind the proposed approach is to first non-parametrically fit the underlying health indicator curve with a continuous Gaussian Process using a sample of run-to-failure health indicator curves. The proposed approach then generates a rich set of random curves from the learned distribution, attempting to obtain all possible variations of the target health condition evolution process over the system's lifespan. The health indicator extrapolation for a piece of functioning equipment is inferred as the generated curve that has the highest matching level within the observed period. Our experimental results show the superiority of our algorithm over the other state-of-the-art methods.
• Abstract（参考訳）: 予後予測は、機器の将来の健康と潜在的な故障を予測することに関係している。 IoT(Internet of Things)の進歩に伴い、マシンラーニングモデルのパワーを活用する、データ駆動型アプローチが人気を集めている。 データ駆動アプローチの最も重要なカテゴリの1つは、事前に定義されたまたは学習された健康指標に基づいて、機器の状態が現在まで特徴付けられ、将来どのように進化するかを推測する。 これらのアプローチでは、部分的に観測された測定値(すなわち初期期間内の健康指標値)を用いて寿命にわたって健康指標曲線を構成する健康指標予測が重要な役割を果たす。 機能的ベイズ法、回帰に基づく定式化、最寄りの近傍に基づくナイーブなシナリオマッチングなど、既存の健康指標予測アルゴリズムには、一定の制限がある。 本稿では,健康指標予測のための新しい「生成的・シナリオマッチング」アルゴリズムを提案する。 提案されたアプローチの背後にある重要なアイデアは、最初に、健康指標曲線を連続ガウス過程に非パラメトリックに適合させることである。 提案手法は学習した分布からランダムな曲線のリッチな集合を生成し、システムの寿命を経たターゲットの健康状態の進化過程のあらゆるバリエーションを得る。 機能機器の健康指標外挿を、観測期間内で最も一致レベルの高い生成曲線として推定する。 実験の結果,他の最先端手法よりも優れたアルゴリズムが得られた。

関連論文リスト

• SepsisLab: Early Sepsis Prediction with Uncertainty Quantification and Active Sensing [67.8991481023825]
  セプシスは米国での院内死亡の主な原因である。 既存の予測モデルは通常、情報不足の少ない高品質なデータで訓練される。 限られた観察により信頼性の低い高リスク患者に対して,ロバストな能動センシングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-07-24T04:47:36Z)
• MedDiffusion: Boosting Health Risk Prediction via Diffusion-based Data Augmentation [58.93221876843639]
  本稿では,MedDiffusion という,エンドツーエンドの拡散に基づくリスク予測モデルを提案する。 トレーニング中に合成患者データを作成し、サンプルスペースを拡大することで、リスク予測性能を向上させる。 ステップワイズ・アテンション・メカニズムを用いて患者の来訪者間の隠れた関係を識別し、高品質なデータを生成する上で最も重要な情報をモデルが自動的に保持することを可能にする。
  論文  参考訳（メタデータ） (2023-10-04T01:36:30Z)
• Path Signatures for Seizure Forecasting [0.6282171844772422]
  患者固有の方法で発作を予測するための予測的特徴(バイオマーカー)の自動発見を検討する。 データストリームの解析における最近の進展であるパスシグネチャを用いて、測定時系列から発作予測までをマップする。
  論文  参考訳（メタデータ） (2023-08-18T05:19:18Z)
• Human Health Indicator Prediction from Gait Video [34.24448186464565]
  我々は、監視やホームモニタリングのシナリオでよく見られる健康指標の予測に、歩行ビデオを採用することを提案する。 健康指標予測タスクに適合するため,Global-Local Aware aNdsymmetric Centro (GLANCE)モジュールを提案する。 実験により,提案手法はMoViの健康指標を予測するための最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-12-25T19:10:37Z)
• Bootstrapping Your Own Positive Sample: Contrastive Learning With Electronic Health Record Data [62.29031007761901]
  本稿では,新しいコントラスト型正規化臨床分類モデルを提案する。 EHRデータに特化した2つのユニークなポジティブサンプリング戦略を紹介します。 私たちのフレームワークは、現実世界のCOVID-19 EHRデータの死亡リスクを予測するために、競争の激しい実験結果をもたらします。
  論文  参考訳（メタデータ） (2021-04-07T06:02:04Z)
• Individual dynamic prediction of clinical endpoint from large dimensional longitudinal biomarker history: a landmark approach [0.0]
  本稿では,多種多様なマーカーの繰り返し測定を活用できる健康事象の動的予測手法を提案する。 Rで実施した手法により,繰り返しマーカーの数が多い場合でも,患者の縦断的履歴全体を用いた事象の予測が可能となった。
  論文  参考訳（メタデータ） (2021-02-02T12:36:18Z)
• STELAR: Spatio-temporal Tensor Factorization with Latent Epidemiological Regularization [76.57716281104938]
  我々は,多くの地域の流行傾向を同時に予測するテンソル法を開発した。 stelarは離散時間差分方程式のシステムを通じて潜在時間正規化を組み込むことで長期予測を可能にする。 我々は、カウンティレベルと州レベルのCOVID-19データの両方を用いて実験を行い、このモデルが流行の興味深い潜伏パターンを識別できることを示します。
  論文  参考訳（メタデータ） (2020-12-08T21:21:47Z)
• UNITE: Uncertainty-based Health Risk Prediction Leveraging Multi-sourced Data [81.00385374948125]
  我々はUNcertaInTyベースのhEalth Risk Prediction(UNITE)モデルを提案する。 UNITEは、複数ソースの健康データを活用した正確な疾患リスク予測と不確実性推定を提供する。 非アルコール性脂肪肝疾患(NASH)とアルツハイマー病(AD)の実態予測タスクにおけるUNITEの評価を行った。 UNITEはAD検出のF1スコアで最大0.841点、NASH検出のPR-AUCで最大0.609点を達成し、最高のベースラインで最大19%の高パフォーマンスを達成している。
  論文  参考訳（メタデータ） (2020-10-22T02:28:11Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)
• Bidirectional Representation Learning from Transformers using Multimodal Electronic Health Record Data to Predict Depression [11.1492931066686]
  うつ病の予測のために,ERHシーケンス上で双方向の表現学習を行うための時間的深層学習モデルを提案する。 このモデルでは, 曲線(PRAUC)下において, 最良ベースラインモデルと比較して, 抑うつ予測において0.70から0.76まで, 精度・リコール面積の最大値が得られた。
  論文  参考訳（メタデータ） (2020-09-26T17:56:37Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。