論文の概要: Conformal Prediction Intervals for Remaining Useful Lifetime Estimation
- arxiv url: http://arxiv.org/abs/2212.14612v1
- Date: Fri, 30 Dec 2022 09:34:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 17:42:45.033942
- Title: Conformal Prediction Intervals for Remaining Useful Lifetime Estimation
- Title（参考訳）: 有効寿命推定のための共形予測間隔
- Authors: Alireza Javanmardi and Eyke H\"ullermeier
- Abstract要約: 対象変数の可能な値の集合を予測することによって不確実性を表す共形予測(CP)フレームワークについて検討する。
CP は、実際の値(真の RUL)が事前特定可能な確実性の度合いで予測セットによってカバーされることを正式に保証する。
3つのCPアルゴリズムを用いて,任意の単一点RUL予測器を共形化し,有効間隔予測器に変換する。
- 参考スコア（独自算出の注目度）: 5.171601921549565
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The main objective of Prognostics and Health Management is to estimate the
Remaining Useful Lifetime (RUL), namely, the time that a system or a piece of
equipment is still in working order before starting to function incorrectly. In
recent years, numerous machine learning algorithms have been proposed for RUL
estimation, mainly focusing on providing more accurate RUL predictions.
However, there are many sources of uncertainty in the problem, such as inherent
randomness of systems failure, lack of knowledge regarding their future states,
and inaccuracy of the underlying predictive models, making it infeasible to
predict the RULs precisely. Hence, it is of utmost importance to quantify the
uncertainty alongside the RUL predictions. In this work, we investigate the
conformal prediction (CP) framework that represents uncertainty by predicting
sets of possible values for the target variable (intervals in the case of RUL)
instead of making point predictions. Under very mild technical assumptions, CP
formally guarantees that the actual value (true RUL) is covered by the
predicted set with a degree of certainty that can be prespecified. We study
three CP algorithms to conformalize any single-point RUL predictor and turn it
into a valid interval predictor. Finally, we conformalize two single-point RUL
predictors, deep convolutional neural networks and gradient boosting, and
illustrate their performance on the Commercial Modular Aero-Propulsion System
Simulation (C-MAPSS) data sets.
- Abstract（参考訳）: 予後管理と健康管理の主な目的は、システムや機器が不正確な動作を開始する前にまだ作業中の状態にあるという、残りの有用な寿命(rul)を推定することである。
近年、RUL推定に多くの機械学習アルゴリズムが提案されており、主により正確なRUL予測を提供することに重点を置いている。
しかしながら、システム障害の固有のランダム性、将来の状態に関する知識の欠如、基礎となる予測モデルの不正確さなど、問題に不確実性があるため、RULを正確に予測することは不可能である。
したがって、RUL予測とともに不確実性を定量化することが最も重要である。
本研究では,対象変数(RULの場合の間隔)の可能な値の集合を点予測ではなく予測することで不確実性を表す共形予測(CP)フレームワークについて検討する。
非常に穏やかな技術的仮定の下で、CP は、実際の値(真の RUL )が事前特定可能な確実性を持った予測セットによってカバーされることを正式に保証する。
我々は,任意の単点rul予測器に適合するcpアルゴリズムを3つ検討し,有効区間予測器とした。
最後に, 2つの単一点RUL予測器, 深部畳み込みニューラルネットワーク, 勾配向上を適合させ, その性能をC-MAPSS(Commercial Modular Aero-Propulsion System Simulation)データセットで示す。
関連論文リスト
- Generalization and Informativeness of Conformal Prediction [36.407171992845456]
Con conformal prediction (CP) は任意のベース予測器をカバレッジ保証付きセット予測器に変換する。
CPは、予測セットがユーザ定義の許容範囲でターゲット量を含むことを認証するが、予測セットの平均サイズを制御できない。
基底予測器の一般化特性と結果のCP予測セットの情報性との間に理論的な関係が確立される。
導出上界は、CPセット予測器の平均サイズが、キャリブレーションデータの量、目標信頼性、ベース予測器の一般化性能に依存することを洞察する。
論文 参考訳（メタデータ） (2024-01-22T10:14:45Z) - Score Matching-based Pseudolikelihood Estimation of Neural Marked
Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。
具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。
提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文 参考訳（メタデータ） (2023-10-25T02:37:51Z) - Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。
本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。
この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
論文 参考訳（メタデータ） (2023-09-21T19:38:44Z) - Uncertainty-Aware Performance Prediction for Highly Configurable
Software Systems via Bayesian Neural Networks [12.607426130997336]
本稿では,予測モデルに不確実性を組み込むベイズ深層学習手法BDLPerfを提案する。
本研究では,ベイズ予測モデルにより生じる信頼区間の信頼性を確保するために,新しい不確実性校正手法を開発した。
実世界の10のシステムに対する実験結果から,BDLPerfは既存の手法よりも精度が高いことがわかった。
論文 参考訳（メタデータ） (2022-12-27T04:39:26Z) - Comparison of Uncertainty Quantification with Deep Learning in Time
Series Regression [7.6146285961466]
本稿では,気象時系列データと異なる不確実性推定手法を比較した。
その結果,各不確実性推定手法が予測タスクに与える影響が示された。
論文 参考訳（メタデータ） (2022-11-11T14:29:13Z) - Uncertainty estimation of pedestrian future trajectory using Bayesian
approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。
著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。
将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文 参考訳（メタデータ） (2022-05-04T04:23:38Z) - Dense Uncertainty Estimation [62.23555922631451]
本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。
本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
論文 参考訳（メタデータ） (2021-10-13T01:23:48Z) - Accurate Remaining Useful Life Prediction with Uncertainty
Quantification: a Deep Learning and Nonstationary Gaussian Process Approach [0.0]
有用寿命 (Retaining useful life, RUL) とは、あるコンポーネントやシステムの寿命が期待されていることを指す。
我々は、深層学習と非定常ガウス過程回帰(DL-NSGPR)の利点を統合し、活用する、不確実な定量化を伴う高精度なRUL予測モデルを考案した。
計算実験の結果,DL-NSGPR予測はルート平均2乗誤差1.7～6.2倍の精度で精度が高いことがわかった。
論文 参考訳（メタデータ） (2021-09-23T18:19:58Z) - Quantifying Uncertainty in Deep Spatiotemporal Forecasting [67.77102283276409]
本稿では,正規格子法とグラフ法という2種類の予測問題について述べる。
我々はベイジアンおよび頻繁な視点からUQ法を解析し、統計的決定理論を通じて統一的な枠組みを提示する。
実際の道路ネットワークのトラフィック、疫病、空気質予測タスクに関する広範な実験を通じて、異なるUQ手法の統計計算トレードオフを明らかにする。
論文 参考訳（メタデータ） (2021-05-25T14:35:46Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。