論文の概要: An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in
Safety-Critical Applications
- arxiv url: http://arxiv.org/abs/2111.00874v1
- Date: Fri, 8 Oct 2021 21:24:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-07 12:01:42.614055
- Title: An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in
Safety-Critical Applications
- Title（参考訳）: 安全クリティカルアプリケーションにおける信頼に値する故障診断のための不確実なインフォームドフレームワーク
- Authors: Taotao Zhou, Enrique Lopez Droguett, Ali Mosleh, Felix T.S. Chan
- Abstract要約: 深層学習に基づく予後・健康管理(PHM)の信頼性の低さは、安全に重要な資産におけるその適用を妨げる。
本稿では,障害の診断とOODデータセット検出のための不確実性インフォームドフレームワークを提案する。
提案手法は, 安全クリティカルなアプリケーションにおいて, 未知に対処し, 故障診断の信頼性を高める上で特に有利であることを示す。
- 参考スコア（独自算出の注目度）: 1.988145627448243
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: There has been a growing interest in deep learning-based prognostic and
health management (PHM) for building end-to-end maintenance decision support
systems, especially due to the rapid development of autonomous systems.
However, the low trustworthiness of PHM hinders its applications in
safety-critical assets when handling data from an unknown distribution that
differs from the training dataset, referred to as the out-of-distribution (OOD)
dataset. To bridge this gap, we propose an uncertainty-informed framework to
diagnose faults and meanwhile detect the OOD dataset, enabling the capability
of learning unknowns and achieving trustworthy fault diagnosis. Particularly,
we develop a probabilistic Bayesian convolutional neural network (CNN) to
quantify both epistemic and aleatory uncertainties in fault diagnosis. The
fault diagnosis model flags the OOD dataset with large predictive uncertainty
for expert intervention and is confident in providing predictions for the data
within tolerable uncertainty. This results in trustworthy fault diagnosis and
reduces the risk of erroneous decision-making, thus potentially avoiding
undesirable consequences. The proposed framework is demonstrated by the fault
diagnosis of bearings with three OOD datasets attributed to random number
generation, an unknown fault mode, and four common sensor faults, respectively.
The results show that the proposed framework is of particular advantage in
tackling unknowns and enhancing the trustworthiness of fault diagnosis in
safety-critical applications.
- Abstract（参考訳）: エンド・ツー・エンドの保守意思決定支援システムの構築には,特に自律システムの急速な発展により,ディープラーニングに基づく予後・健康管理(PHM)への関心が高まっている。
しかし、PHMの信頼性の低いことは、トレーニングデータセットとは異なる未知の分布からのデータを扱う場合、安全クリティカルな資産への適用を妨げる。
このギャップを埋めるために,障害の診断とoodデータセットの検出に不確実性を考慮したフレームワークを提案し,未知の情報を学習し,信頼性の高い障害診断を実現する。
特に, 確率的ベイズ畳み込みニューラルネットワーク (cnn) を開発し, 故障診断における認識的・随伴的不確かさを定量化する。
故障診断モデルは、専門家の介入に対する大きな予測の不確実性をOODデータセットにフラグ付けし、許容可能な不確実性内のデータの予測を提供することに自信を持っている。
これにより、信頼できる障害診断が行われ、誤った意思決定のリスクを低減し、望ましくない結果を避けることができる。
提案手法は, ランダム数生成による3つのOODデータセット, 未知の故障モード, および4つの一般的なセンサ故障によるベアリングの故障診断によって実証された。
提案手法は, 安全クリティカルなアプリケーションにおいて, 未知に対処し, 故障診断の信頼性を高める上で特に有利であることを示す。
関連論文リスト
- Trust-informed Decision-Making Through An Uncertainty-Aware Stacked Neural Networks Framework: Case Study in COVID-19 Classification [10.265080819932614]
本研究は、放射線画像から新型コロナウイルスの信頼できる分類のための、不確実性を考慮した重畳ニューラルネットワークモデルを提案する。
このモデルは、確実な正確な予測を正確に識別することに焦点を当て、不確実性を考慮したモデリングにおける重要なギャップに対処する。
このアーキテクチャはモンテカルロのドロップアウトやアンサンブル技術を含む不確実な定量化手法を統合し、予測信頼性を高める。
論文 参考訳（メタデータ） (2024-09-19T04:20:12Z) - Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。
診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。
本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
論文 参考訳（メタデータ） (2024-03-09T13:48:20Z) - Adaptive Uncertainty Estimation via High-Dimensional Testing on Latent
Representations [28.875819909902244]
不確実性推定は、訓練されたディープニューラルネットワークの信頼性を評価することを目的としている。
既存の不確実性推定アプローチは、低次元分布仮定に依存している。
本研究では,不確実性推定のためのデータ適応型高次元仮説テストを用いた新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-25T12:22:18Z) - Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。
具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。
アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
論文 参考訳（メタデータ） (2023-08-06T05:58:45Z) - Towards Reliable Medical Image Segmentation by utilizing Evidential Calibrated Uncertainty [52.03490691733464]
本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。
主観的論理理論を利用して、医用画像分割の問題に対する確率と不確実性を明示的にモデル化する。
DeviSには不確実性を考慮したフィルタリングモジュールが組み込まれている。
論文 参考訳（メタデータ） (2023-01-01T05:02:46Z) - Bayesian autoencoders with uncertainty quantification: Towards
trustworthy anomaly detection [78.24964622317634]
本研究では, ベイズオートエンコーダ (BAEs) の定式化により, 全体の異常不確かさを定量化する。
不確実性の質を評価するために,不確実性の予測を拒否するオプションを追加して,異常を分類する作業を検討する。
本実験は,BAEと総異常不確かさが,ベンチマークデータセットと製造用実データセットのセットに与える影響を実証するものである。
論文 参考訳（メタデータ） (2022-02-25T12:20:04Z) - Probabilistic Bearing Fault Diagnosis Using Gaussian Process with
Tailored Feature Extraction [10.064000794573756]
転がり軸受は、過酷な環境下での長時間の運転により、様々な障害にさらされる。
現在の深層学習法は, 決定論的分類の形で軸受断層診断を行う。
本研究では,予測の不確実性を考慮した確率的故障診断フレームワークを開発した。
論文 参考訳（メタデータ） (2021-09-19T18:34:29Z) - 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) - NADS: Neural Architecture Distribution Search for Uncertainty Awareness [79.18710225716791]
機械学習(ML)システムは、トレーニングデータとは異なるディストリビューションから来るテストデータを扱う場合、しばしばOoD(Out-of-Distribution)エラーに遭遇する。
既存のOoD検出アプローチはエラーを起こしやすく、時にはOoDサンプルに高い確率を割り当てることもある。
本稿では,すべての不確実性を考慮したアーキテクチャの共通構築ブロックを特定するために,ニューラルアーキテクチャ分布探索(NADS)を提案する。
論文 参考訳（メタデータ） (2020-06-11T17:39:07Z) - Uncertainty-Based Out-of-Distribution Classification in Deep
Reinforcement Learning [17.10036674236381]
アウト・オブ・ディストリビューションデータの誤予測は、機械学習システムにおける安全性の危機的状況を引き起こす可能性がある。
我々は不確実性に基づくOOD分類のためのフレームワークUBOODを提案する。
UBOODはアンサンブルに基づく推定器と組み合わせることで,信頼性の高い分類結果が得られることを示す。
論文 参考訳（メタデータ） (2019-12-31T09:52:49Z)
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。