論文の概要: TwinExplainer: Explaining Predictions of an Automotive Digital Twin
- arxiv url: http://arxiv.org/abs/2302.00152v1
- Date: Wed, 1 Feb 2023 00:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 13:42:25.297894
- Title: TwinExplainer: Explaining Predictions of an Automotive Digital Twin
- Title（参考訳）: TwinExplainer: 自動車用デジタルツインの予測を解説
- Authors: Subash Neupane, Ivan A. Fernandez, Wilson Patterson, Sudip Mittal,
Milan Parmar, Shahram Rahimi
- Abstract要約: データ駆動型Digital Twin(DT)システムでは,このような処理が可能である。
現在のDT技術は、それらの予測に対する正当化や説明の欠如によって制約される様々なディープラーニング(DL)技術を利用している。
本稿では,TwinExplainerシステムとその3層アーキテクチャパイプラインを用いて,自動車DTの予測について述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Vehicles are complex Cyber Physical Systems (CPS) that operate in a variety
of environments, and the likelihood of failure of one or more subsystems, such
as the engine, transmission, brakes, and fuel, can result in unscheduled
downtime and incur high maintenance or repair costs. In order to prevent these
issues, it is crucial to continuously monitor the health of various subsystems
and identify abnormal sensor channel behavior. Data-driven Digital Twin (DT)
systems are capable of such a task. Current DT technologies utilize various
Deep Learning (DL) techniques that are constrained by the lack of justification
or explanation for their predictions. This inability of these opaque systems
can influence decision-making and raises user trust concerns. This paper
presents a solution to this issue, where the TwinExplainer system, with its
three-layered architectural pipeline, explains the predictions of an automotive
DT. Such a system can assist automotive stakeholders in understanding the
global scale of the sensor channels and how they contribute towards generic DT
predictions. TwinExplainer can also visualize explanations for both normal and
abnormal local predictions computed by the DT.
- Abstract（参考訳）: 車両は様々な環境で運用される複雑なサイバー物理システム(CPS)であり、エンジン、トランスミッション、ブレーキ、燃料などの1つ以上のサブシステムの故障の可能性は、予定外のダウンタイムと高いメンテナンスや修理コストをもたらす可能性がある。
これらの問題を防ぐためには、様々なサブシステムの状態を継続的に監視し、異常なセンサーチャネルの挙動を特定することが重要である。
データ駆動デジタルツイン(dt)システムはこのようなタスクを行うことができる。
現在のDT技術は、それらの予測に対する正当化や説明の欠如によって制約される様々なディープラーニング(DL)技術を利用している。
このような不透明なシステムの欠如は意思決定に影響を与え、ユーザの信頼を喚起する。
本稿では,twinexplainerシステムとその3層構造パイプラインを用いて,自動車用dtの予測について述べる。
このようなシステムは、センサーチャネルのグローバルスケールと一般的なDT予測への貢献方法を理解するために、自動車の利害関係者を支援することができる。
twinexplainerはdtによって計算される正常な局所予測と異常な局所予測の両方について説明を可視化することもできる。
関連論文リスト
- Sustainable Diffusion-based Incentive Mechanism for Generative AI-driven Digital Twins in Industrial Cyber-Physical Systems [65.22300383287904]
産業用サイバー物理システム(ICPS)は、現代の製造業と産業にとって不可欠なコンポーネントである。
製品ライフサイクルを通じてデータをデジタル化することで、ICPSのDigital Twins(DT)は、現在の産業インフラからインテリジェントで適応的なインフラへの移行を可能にします。
産業用IoT(Industrial Internet of Things, IIoT)デバイスを利用すれば、DTを構築するためのデータを共有するメカニズムは、悪い選択問題の影響を受けやすい。
論文 参考訳（メタデータ） (2024-08-02T10:47:10Z) - Digital twins of nonlinear dynamical systems: A perspective [0.0]
非線形力学系のデジタル双対は、系の進化を発生させ、潜在的に破滅的な創発的挙動を予測することができる。
デジタル双生児は、リアルタイムでシステム「健康」モニタリングや予測的問題解決に使用することができる。
非線形力学系のディジタル双対を構築するには、スパース最適化と機械学習の2つのアプローチが存在する。
論文 参考訳（メタデータ） (2023-09-20T16:57:11Z) - Causal Semantic Communication for Digital Twins: A Generalizable
Imitation Learning Approach [74.25870052841226]
デジタルツイン(DT)は、物理世界の仮想表現と通信(例えば6G)、コンピュータ、人工知能(AI)技術を活用して、多くの接続されたインテリジェンスサービスを実現する。
無線システムは、厳密な通信制約下での情報意思決定を容易にするために意味コミュニケーション(SC)のパラダイムを利用することができる。
DTベースの無線システムでは,因果意味通信(CSC)と呼ばれる新しいフレームワークが提案されている。
論文 参考訳（メタデータ） (2023-04-25T00:15:00Z) - Through-life Monitoring of Resource-constrained Systems and Fleets [0.0]
デジタルツイン(Digital Twin、DT)は、経済、社会的、商業的な価値を付加する決定を行うための情報を提供する物理システムのシミュレーションである。
リソース制約のあるシステムでは、オンボード学習やオフボードデータ転送といった課題のため、DTの更新は簡単ではない。
本稿では,システムヘルスモニタリングを目的とした資源制約付きシステムのデータ駆動型DTを更新するためのフレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-03T09:26:18Z) - Detecting train driveshaft damages using accelerometer signals and
Differential Convolutional Neural Networks [67.60224656603823]
本稿では,高度2次元畳み込みニューラルネットワーク(CNN)アーキテクチャに基づく鉄道軸状態監視システムの開発を提案する。
その結果,鉄道軸受振動信号を時間周波数領域表現,すなわち分光図に変換し,そのひび割れに応じて2次元CNNを訓練する。
論文 参考訳（メタデータ） (2022-11-15T15:04:06Z) - A Distributed Acoustic Sensor System for Intelligent Transportation
using Deep Learning [2.1219631216034127]
本研究は,光ファイバーを用いた分散音響センサ(DAS)を用いた交通解析のための新しいデータソースについて検討する。
本研究では,DAS信号の分析を行う深層学習手法を提案する。
制御条件下で収集したDASデータに基づいて,車両の分類精度92%,乗員検出92%-97%を達成した。
論文 参考訳（メタデータ） (2022-09-13T13:23:30Z) - Explainable Human-in-the-loop Dynamic Data-Driven Digital Twins [6.657586324950896]
Digital Twins (DT) は基本的に動的データ駆動型モデルであり、現実世界のシステムのリアルタイム共生「仮想レプリカ」として機能する。
本稿では, 双方向共生感覚フィードバックを利用して, ヒューマン・イン・ザ・ループ型DDDASおよびDTシステムにおける説明可能性を活用する手法を提案する。
論文 参考訳（メタデータ） (2022-07-19T07:15:12Z) - Anomaly Detection for Multivariate Time Series on Large-scale Fluid
Handling Plant Using Two-stage Autoencoder [1.911678487931003]
本稿では,動的成分を有する大規模流体処理プラントにおける時系列データの異常検出に着目する。
このような植物に適した異常検出法として2段階自動エンコーダ(TSAE)を導入する。
論文 参考訳（メタデータ） (2022-05-20T01:41:39Z) - Online Metro Origin-Destination Prediction via Heterogeneous Information
Aggregation [99.54200992904721]
我々は、ODとDOの進化パターンを共同で学習するために、HIAM(Heterogeneous Information Aggregation Machine)と呼ばれるニューラルネットワークモジュールを提案する。
ODモデリングブランチは、未完成な順序の潜在的な目的地を明示的に推定し、不完全OD行列の情報を補完する。
DOモデリングブランチは、DO行列を入力として、DOライダーシップの時空間分布をキャプチャする。
提案したHIAMに基づいて,将来のODおよびDOライダーを同時に予測する統合Seq2Seqネットワークを開発した。
論文 参考訳（メタデータ） (2021-07-02T10:11:51Z) - Towards robust sensing for Autonomous Vehicles: An adversarial
perspective [82.83630604517249]
結果として得られる決定が摂動に対して堅牢であることは、最も重要なことです。
敵対的摂動は、意図的に環境や感覚測定の修正を施したものである。
より安全なシステムの構築とデプロイには,センサーシステムの脆弱性を慎重に評価する必要がある。
論文 参考訳（メタデータ） (2020-07-14T05:25:15Z) - Learning to Control PDEs with Differentiable Physics [102.36050646250871]
本稿では,ニューラルネットワークが長い時間をかけて複雑な非線形物理系の理解と制御を学べる新しい階層型予測器・相関器手法を提案する。
本手法は,複雑な物理系の理解に成功し,PDEに関わるタスクに対してそれらを制御できることを実証する。
論文 参考訳（メタデータ） (2020-01-21T11:58:41Z)
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。