論文の概要: Multi-Class Multiple Instance Learning for Predicting Precursors to
Aviation Safety Events
- arxiv url: http://arxiv.org/abs/2103.06244v1
- Date: Wed, 10 Mar 2021 18:25:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-11 15:05:21.094245
- Title: Multi-Class Multiple Instance Learning for Predicting Precursors to
Aviation Safety Events
- Title（参考訳）: 航空安全事象の前兆予測のためのマルチクラス多重インスタンス学習
- Authors: Marc-Henri Bleu-Laine, Tejas G. Puranik, Dimitri N. Mavris, Bryan
Matthews
- Abstract要約: 異常検出と予測保守が機械学習アプリケーションの主要なターゲットとなっている。
本稿では、比較的新しいアプリケーションである前駆体の同定に焦点を当てる。
前駆体は、悪意のある出来事自体の前に起こる悪意のある出来事と相関するイベントです。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: In recent years, there has been a rapid growth in the application of machine
learning techniques that leverage aviation data collected from commercial
airline operations to improve safety. Anomaly detection and predictive
maintenance have been the main targets for machine learning applications.
However, this paper focuses on the identification of precursors, which is a
relatively newer application. Precursors are events correlated with adverse
events that happen prior to the adverse event itself. Therefore, precursor
mining provides many benefits including understanding the reasons behind a
safety incident and the ability to identify signatures, which can be tracked
throughout a flight to alert the operators of the potential for an adverse
event in the future. This work proposes using the multiple-instance learning
(MIL) framework, a weakly supervised learning task, combined with carefully
designed binary classifier leveraging a Multi-Head Convolutional Neural
Network-Recurrent Neural Network (MHCNN-RNN) architecture. Multi-class
classifiers are then created and compared, enabling the prediction of different
adverse events for any given flight by combining binary classifiers, and by
modifying the MHCNN-RNN to handle multiple outputs. Results obtained showed
that the multiple binary classifiers perform better and are able to accurately
forecast high speed and high path angle events during the approach phase.
Multiple binary classifiers are also capable of determining the aircraft's
parameters that are correlated to these events. The identified parameters can
be considered precursors to the events and may be studied/tracked further to
prevent these events in the future.
- Abstract（参考訳）: 近年、商業航空会社の業務から収集した航空データを活用して安全性を向上させる機械学習技術の適用が急速に拡大しています。
異常検出と予測保守が機械学習アプリケーションの主要なターゲットとなっている。
しかし,本論文は比較的新しい応用である前駆体の同定に焦点を当てている。
前駆体は、悪意のある出来事自体の前に起こる悪意のある出来事と相関するイベントです。
したがって、前駆者の採掘は、安全事故の背後にある理由と、将来の有害事象の可能性をオペレータに警告するためにフライト中に追跡することができる署名を識別する能力を理解することを含む多くの利点を提供します。
本研究は,MHCNN-RNNアーキテクチャを応用した,弱い教師付き学習タスクであるMIL(Multiple-instance Learning)フレームワークと,慎重に設計されたバイナリ分類器を組み合わせることを提案する。
マルチクラス分類器が作成され、比較され、バイナリ分類器を組み合わせて、MHCNN-RNNを複数の出力を扱うように修正することで、任意の飛行に対して異なる有害事象を予測できる。
その結果,複数の2値分類器の性能が向上し,接近時の高速・高経路角イベントを正確に予測できることがわかった。
複数のバイナリ分類器は、これらの事象と相関する航空機のパラメータを決定できる。
特定されたパラメータは、イベントの前兆と見なすことができ、将来これらのイベントを防止するためにさらに研究または追跡することができる。
関連論文リスト
- Advancing Machine Learning in Industry 4.0: Benchmark Framework for Rare-event Prediction in Chemical Processes [0.0]
本稿では,様々な複雑さのMLアルゴリズムを比較し,レアイベント予測のための新しい総合的ベンチマークフレームワークを提案する。
異常事象を予測するための最適ML戦略を特定し,より安全で信頼性の高いプラント操作を実現する。
論文 参考訳（メタデータ） (2024-08-31T15:41:10Z) - AMCEN: An Attention Masking-based Contrastive Event Network for Two-stage Temporal Knowledge Graph Reasoning [29.68279984719722]
時間的知識グラフ(TKG)は、現実世界の知識の進化する性質を効果的にモデル化することができ、その完全性と拡張は、既存の知識から新しい事象を推論することで達成できる。
しかし、推論精度はデータセットにおける新しいイベントと繰り返されるイベントの間に不均衡があるため、悪影響を及ぼす。
本研究では,今後の事象の2段階予測のために,局所的な時間的パターンを持つ注意マスキングに基づくコントラストイベントネットワーク(AMCEN)を提案する。
論文 参考訳（メタデータ） (2024-05-16T01:39:50Z) - Meta-Learning for Neural Network-based Temporal Point Processes [36.31950058651308]
ポイントプロセスは、人間の活動に関連する事象を予測するために広く使われている。
最近の高性能ポイントプロセスモデルでは、長期間にわたって収集された十分な数のイベントを入力する必要がある。
短周期の事象の周期性を考慮した予測のためのメタラーニング手法を提案する。
論文 参考訳（メタデータ） (2024-01-29T02:42:22Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳（メタデータ） (2023-10-08T17:55:33Z) - Enhancing Multiple Reliability Measures via Nuisance-extended
Information Bottleneck [77.37409441129995]
トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。
我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。
そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
論文 参考訳（メタデータ） (2023-03-24T16:03:21Z) - Towards Out-of-Distribution Sequential Event Prediction: A Causal
Treatment [72.50906475214457]
シーケンシャルなイベント予測の目標は、一連の歴史的なイベントに基づいて次のイベントを見積もることである。
実際には、次のイベント予測モデルは、一度に収集されたシーケンシャルなデータで訓練される。
文脈固有の表現を学習するための階層的な分岐構造を持つフレームワークを提案する。
論文 参考訳（メタデータ） (2022-10-24T07:54:13Z) - Large-Scale Sequential Learning for Recommender and Engineering Systems [91.3755431537592]
本稿では,現在の状況に適応してパーソナライズされたランキングを提供する自動アルゴリズムの設計に焦点を当てる。
前者はSAROSと呼ばれる新しいアルゴリズムを提案し,インタラクションの順序を学習するためのフィードバックの種類を考慮に入れている。
提案手法は, 電力網の故障検出に対する初期アプローチと比較して, 統計的に有意な結果を示す。
論文 参考訳（メタデータ） (2022-05-13T21:09:41Z) - Incident duration prediction using a bi-level machine learning framework
with outlier removal and intra-extra joint optimisation [6.291975267775799]
本稿では,外乱除去と外乱関節最適化を併用した新しい双方向機械学習フレームワークを提案する。
我々は、インシデントデータログを使用してバイナリ分類予測手法を開発し、トラフィックインシデントを短期または長期に分類する。
クラスバランスと予測性能の両方を対象として,短期と長期の交通事故発生期間の最適しきい値を求める。
論文 参考訳（メタデータ） (2022-05-10T22:40:05Z) - Bad and good errors: value-weighted skill scores in deep ensemble
learning [0.0]
証拠に基づいて予測誤差の重大度を評価するための戦略を導入する。
本稿では,予測値に重要な意味を持つ,混乱行列とスキルスコアの新たな定義を提案する。
本稿では,公害,宇宙気象,株式賞の予測に関する3つの応用事例において,このアプローチの性能を示す。
論文 参考訳（メタデータ） (2021-03-04T08:05:13Z) - SMART: Simultaneous Multi-Agent Recurrent Trajectory Prediction [72.37440317774556]
本稿では,将来の軌道予測における2つの重要な課題に対処する手法を提案する。
エージェントの数に関係なく、トレーニングデータと予測と一定時間の推測の両方において、マルチモーダリティ。
論文 参考訳（メタデータ） (2020-07-26T08:17:10Z) - Ambiguity in Sequential Data: Predicting Uncertain Futures with
Recurrent Models [110.82452096672182]
逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。
また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
論文 参考訳（メタデータ） (2020-03-10T09:15:42Z)
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。