論文の概要: Evaluating deep learning models for fault diagnosis of a rotating machinery with epistemic and aleatoric uncertainty

• arxiv url: http://arxiv.org/abs/2412.18980v1
• Date: Wed, 25 Dec 2024 20:22:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-30 17:25:32.139998
• Title: Evaluating deep learning models for fault diagnosis of a rotating machinery with epistemic and aleatoric uncertainty
• Title（参考訳）: エピステミックおよびアレタリック不確実性を有する回転機械の故障診断のための深層学習モデルの評価
• Authors: Reza Jalayer, Masoud Jalayer, Andrea Mor, Carlotta Orsenigo, Carlo Vercellis,
• Abstract要約: 本稿では,回転機械の故障診断における不確実性を考慮したディープラーニングアーキテクチャの比較研究について述べる。 我々は,識別に使用する不確実性しきい値によらず,深層アンサンブルモデルが優れた性能を示すことを示す。 本研究は, 現実の不確実性を認識した故障診断システムを展開しなければならない実践者や研究者にガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 1.2582887633807602
• License:
• Abstract: Uncertainty-aware deep learning (DL) models recently gained attention in fault diagnosis as a way to promote the reliable detection of faults when out-of-distribution (OOD) data arise from unseen faults (epistemic uncertainty) or the presence of noise (aleatoric uncertainty). In this paper, we present the first comprehensive comparative study of state-of-the-art uncertainty-aware DL architectures for fault diagnosis in rotating machinery, where different scenarios affected by epistemic uncertainty and different types of aleatoric uncertainty are investigated. The selected architectures include sampling by dropout, Bayesian neural networks, and deep ensembles. Moreover, to distinguish between in-distribution and OOD data in the different scenarios two uncertainty thresholds, one of which is introduced in this paper, are alternatively applied. Our empirical findings offer guidance to practitioners and researchers who have to deploy real-world uncertainty-aware fault diagnosis systems. In particular, they reveal that, in the presence of epistemic uncertainty, all DL models are capable of effectively detecting, on average, a substantial portion of OOD data across all the scenarios. However, deep ensemble models show superior performance, independently of the uncertainty threshold used for discrimination. In the presence of aleatoric uncertainty, the noise level plays an important role. Specifically, low noise levels hinder the models' ability to effectively detect OOD data. Even in this case, however, deep ensemble models exhibit a milder degradation in performance, dominating the others. These achievements, combined with their shorter inference time, make deep ensemble architectures the preferred choice.
• Abstract（参考訳）: 近年,不確実性認識深層学習(DL)モデルが注目され,不確実な障害(目視的不確実性)やノイズ(聴取的不確実性)の存在から,アウト・オブ・ディストリビューション(OOD)データが生じたときの障害の確実な検出が促進された。 本稿では, 回転機械の故障診断における最新の不確実性を考慮したDLアーキテクチャの総合的な比較研究を行い, 疫学的な不確実性や, 各種のアレータティックな不確実性に影響を及ぼすシナリオについて検討する。 選択されたアーキテクチャには、ドロップアウトによるサンプリング、ベイズニューラルネットワーク、ディープアンサンブルなどがある。 さらに,2つの不確実性しきい値(そのうちの1つを本論文で紹介する)を,異なるシナリオにおける分布内データとOODデータを区別するために適用した。 我々の経験的発見は、現実の不確実性を認識した故障診断システムを展開しなければならない実践者や研究者にガイダンスを提供する。 特に、疫学的な不確実性が存在する場合、全てのDLモデルは、平均して、すべてのシナリオにわたるOODデータの大部分を効果的に検出することができる。 しかし、深いアンサンブルモデルでは、識別に使用する不確実性しきい値とは無関係に、優れた性能を示す。 電波の不確実性の存在下では、ノイズレベルが重要な役割を果たす。 具体的には、低ノイズレベルは、OODデータを効果的に検出するモデルの能力を妨げます。 しかし、この場合でも深層アンサンブルモデルでは性能が軽度に低下し、他のモデルが優位である。 これらの成果と短い推測時間を組み合わせることで、深いアンサンブルアーキテクチャが望ましい選択となる。

関連論文リスト

• Uncertainty-Aware Artificial Intelligence for Gear Fault Diagnosis in Motor Drives [0.5325390073522079]
  本稿では,ベイジアンニューラルネットワーク(BNN)を用いたモータの故障診断の不確かさの定量化手法を提案する。 BNNはネットワーク重みを固定値ではなく確率分布として扱う。 ノイズの多いデータに対するロバスト性の改善、(b)モデル予測の解釈可能性の向上、(c)意思決定プロセスにおける不確実性を定量化する能力など、いくつかの利点がある。
  論文  参考訳（メタデータ） (2024-12-02T08:38:20Z)
• 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)
• 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)
• LINe: Out-of-Distribution Detection by Leveraging Important Neurons [15.797257361788812]
  本稿では,分布内データとOODデータ間のモデル出力の差を解析するための新しい側面を紹介する。 本稿では,分布検出のポストホックアウトのための新しい手法であるLINe( Leveraging Important Neurons)を提案する。
  論文  参考訳（メタデータ） (2023-03-24T13:49:05Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• Benchmarking common uncertainty estimation methods with histopathological images under domain shift and label noise [62.997667081978825]
  リスクの高い環境では、深層学習モデルは不確実性を判断し、誤分類の可能性がかなり高い場合に入力を拒否しなければなりません。 我々は,全スライド画像の分類において,最もよく使われている不確実性と頑健さの厳密な評価を行う。 我々は一般的に,手法のアンサンブルが,ドメインシフトやラベルノイズに対するロバスト性の向上とともに,より良い不確実性評価につながることを観察する。
  論文  参考訳（メタデータ） (2023-01-03T11:34:36Z)
• Trustworthy Medical Segmentation with Uncertainty Estimation [0.7829352305480285]
  本稿では,セグメンテーションニューラルネットワークにおける不確実性定量化のための新しいベイズディープラーニングフレームワークを提案する。 我々は磁気共鳴イメージングとCTによる医用画像分割データについて検討した。 複数のベンチマークデータセットに対する実験により,提案するフレームワークは,最先端セグメンテーションモデルと比較して,ノイズや敵攻撃に対してより堅牢であることが示された。
  論文  参考訳（メタデータ） (2021-11-10T22:46:05Z)
• An Uncertainty-Informed Framework for Trustworthy Fault Diagnosis in Safety-Critical Applications [1.988145627448243]
  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。
  論文  参考訳（メタデータ） (2021-10-08T21:24:14Z)
• The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
  ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。 本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
  論文  参考訳（メタデータ） (2020-12-05T17:30:35Z)
• 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)

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。