論文の概要: A More General Theory of Diagnosis from First Principles

• arxiv url: http://arxiv.org/abs/2309.16180v1
• Date: Thu, 28 Sep 2023 05:47:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-29 16:02:39.822139
• Title: A More General Theory of Diagnosis from First Principles
• Title（参考訳）: 第一原理からのより一般的な診断理論
• Authors: Alban Grastien and Patrik Haslum and Sylvie Thi\'ebaux
• Abstract要約: 我々は、Reiterの理論を、考慮されたシステムの種類や診断に非依存であると一般化する。 最小限の診断の計算は、診断仮説の空間を探索することで達成される。 満足度と探索性に基づくテスト解法を用いて,これらのアルゴリズムの2つの実装を提案する。
• 参考スコア（独自算出の注目度）: 2.693342141713236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Model-based diagnosis has been an active research topic in different communities including artificial intelligence, formal methods, and control. This has led to a set of disparate approaches addressing different classes of systems and seeking different forms of diagnoses. In this paper, we resolve such disparities by generalising Reiter's theory to be agnostic to the types of systems and diagnoses considered. This more general theory of diagnosis from first principles defines the minimal diagnosis as the set of preferred diagnosis candidates in a search space of hypotheses. Computing the minimal diagnosis is achieved by exploring the space of diagnosis hypotheses, testing sets of hypotheses for consistency with the system's model and the observation, and generating conflicts that rule out successors and other portions of the search space. Under relatively mild assumptions, our algorithms correctly compute the set of preferred diagnosis candidates. The main difficulty here is that the search space is no longer a powerset as in Reiter's theory, and that, as consequence, many of the implicit properties (such as finiteness of the search space) no longer hold. The notion of conflict also needs to be generalised and we present such a more general notion. We present two implementations of these algorithms, using test solvers based on satisfiability and heuristic search, respectively, which we evaluate on instances from two real world discrete event problems. Despite the greater generality of our theory, these implementations surpass the special purpose algorithms designed for discrete event systems, and enable solving instances that were out of reach of existing diagnosis approaches.
• Abstract（参考訳）: モデルに基づく診断は、人工知能、形式的手法、制御を含む様々なコミュニティで活発に研究されている。 このことは、システムの異なるクラスに対処し、異なる形の診断を求める異なるアプローチのセットにつながった。 本稿では, レーターの理論をシステムの種類や診断と無関係に一般化することで, それらの差異を解消する。 この第一原理からの診断のより一般的な理論は、最小診断を仮説の探索空間における望ましい診断候補の集合として定義する。 最小診断の計算は、診断仮説の空間を探索し、システムのモデルと観測との整合性をテストし、後継や他の探索空間の領域を除外する衝突を生成することによって達成される。 比較的軽度な仮定の下で,本アルゴリズムは適切な診断候補のセットを正しく計算する。 ここでの最大の難しさは、探索空間がもはやライターの理論のようにパワーセットではなく、結果として(探索空間の有限性のような)暗黙的な性質の多くがもはや保持されないことである。 対立の概念も一般化する必要があるので、より一般的な概念を提示する。 本稿では, 実世界の離散事象問題から, 実例から評価した, 満足度とヒューリスティック検索に基づく2つのアルゴリズムの実装について述べる。 我々の理論の一般化にもかかわらず、これらの実装は離散イベントシステム用に設計された特別な目的のアルゴリズムを超越し、既存の診断アプローチに及ばない問題の解決を可能にする。

関連論文リスト

• Diagnosis driven Anomaly Detection for CPS [44.97616703648182]
  本稿では、深層学習に基づく異常検出を利用して、一貫性に基づく診断(CBD)のための入力を生成する手法を提案する。 我々は、シミュレーションと実世界のCPSデータセットに対する我々のアプローチを評価し、我々のモデルは、他の最先端モデルと比較して強い性能を示す。
  論文  参考訳（メタデータ） (2023-11-27T15:34:40Z)
• OpenClinicalAI: An Open and Dynamic Model for Alzheimer's Disease Diagnosis [11.775648630734949]
  アルツハイマー病(AD)は逆転や治癒はできないが、タイムリーな診断は治療やケアの負担を大幅に軽減することができる。 AD診断モデルに関する現在の研究は、診断タスクを典型的な分類タスクと見なしている。 複雑で不確実な臨床環境下での直接AD診断のためのOpenClinicalAIを提案する。
  論文  参考訳（メタデータ） (2023-07-03T12:35:03Z)
• OpenAPMax: Abnormal Patterns-based Model for Real-World Alzheimer's Disease Diagnosis [9.316162293112738]
  本稿では,アルツハイマー病の診断に対処するために,異常パターンに基づくオープンセット認識モデルOpenAPMaxを提案する。 提案手法の性能を最近のオープンセット認識を用いて評価し,その結果を得た。
  論文  参考訳（メタデータ） (2023-07-03T11:21:09Z)
• FastDiagP: An Algorithm for Parallelized Direct Diagnosis [64.65251961564606]
  FastDiagは、競合を事前に決定せずに診断計算をサポートする典型的な直接診断アルゴリズムである。 本稿では,投機的プログラミングのアイデアに基づく新しいアルゴリズムであるFastDiagPを提案する。 このメカニズムは、高速な回答で一貫性チェックを提供し、アルゴリズムのランタイムパフォーマンスを高めるのに役立つ。
  論文  参考訳（メタデータ） (2023-05-11T16:26:23Z)
• Finding Alignments Between Interpretable Causal Variables and Distributed Neural Representations [62.65877150123775]
  因果抽象化は、説明可能な人工知能のための有望な理論的枠組みである。 既存の因果抽象法では、高レベルモデルと低レベルモデルの間のアライメントをブルートフォースで探索する必要がある。 これらの制約を克服する分散アライメントサーチ(DAS)を提案する。
  論文  参考訳（メタデータ） (2023-03-05T00:57:49Z)
• Causality-Based Multivariate Time Series Anomaly Detection [63.799474860969156]
  我々は、因果的観点から異常検出問題を定式化し、多変量データを生成するための通常の因果的メカニズムに従わない事例として、異常を考察する。 次に、まずデータから因果構造を学習し、次に、あるインスタンスが局所因果機構に対して異常であるかどうかを推定する因果検出手法を提案する。 我々は、実世界のAIOpsアプリケーションに関するケーススタディと同様に、シミュレートされたデータセットとパブリックなデータセットの両方を用いて、私たちのアプローチを評価します。
  論文  参考訳（メタデータ） (2022-06-30T06:00:13Z)
• Anytime Diagnosis for Reconfiguration [52.77024349608834]
  我々は、いつでも直接診断できるflexdiagを紹介し分析する。 特徴モデルの領域からの構成ベンチマークと自動車領域からの産業構成知識ベースを使用して、性能および診断品質に関するアルゴリズムを評価します。
  論文  参考訳（メタデータ） (2021-02-19T11:45:52Z)
• Inheritance-guided Hierarchical Assignment for Clinical Automatic Diagnosis [50.15205065710629]
  臨床診断は、臨床ノートに基づいて患者に診断符号を割り当てることを目的としており、臨床意思決定において重要な役割を担っている。 本稿では,臨床自動診断のための継承誘導階層と共起グラフの伝播を組み合わせた新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2021-01-27T13:16:51Z)
• Algorithmic Frameworks for the Detection of High Density Anomalies [0.0]
  高密度異常(英: high-density anomalies)は、データ空間の最も正常な領域に位置する不確定なケースである。 本研究では、教師なし検出のための非パラメトリックアルゴリズムフレームワークをいくつか導入する。
  論文  参考訳（メタデータ） (2020-10-09T17:48:02Z)
• Sound, Complete, Linear-Space, Best-First Diagnosis Search [0.0]
  我々はKorfのよく知られたRBFSアルゴリズムに基づく診断探索法RBF-HSを提案する。 RBF-HSは、線形空間境界の中で最優先の順序で任意の数の断層説明を列挙することができる。
  論文  参考訳（メタデータ） (2020-09-25T12:49:49Z)

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。