論文の概要: Natural Language Processing and Deep Learning Models to Classify Phase of Flight in Aviation Safety Occurrences

• arxiv url: http://arxiv.org/abs/2501.06564v1
• Date: Sat, 11 Jan 2025 15:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:28:30.413289
• Title: Natural Language Processing and Deep Learning Models to Classify Phase of Flight in Aviation Safety Occurrences
• Title（参考訳）: 航空安全事故における飛行の位相を分類する自然言語処理と深層学習モデル
• Authors: Aziida Nanyonga, Hassan Wasswa, Oleksandra Molloy, Ugur Turhan, Graham Wild,
• Abstract要約: 研究者らは、自然言語処理(NLP)と人工知能(AI)モデルを使用して、安全発生の飛行フェーズを分類するテキスト物語を処理した。 NTSBによる27,000件の安全発生レポートの初期データセットを用いて、ResNetとsRNNの2つのディープラーニングモデルの分類性能を評価した。
• 参考スコア（独自算出の注目度）: 14.379311972506791
• License:
• Abstract: The air transport system recognizes the criticality of safety, as even minor anomalies can have severe consequences. Reporting accidents and incidents play a vital role in identifying their causes and proposing safety recommendations. However, the narratives describing pre-accident events are presented in unstructured text that is not easily understood by computer systems. Classifying and categorizing safety occurrences based on these narratives can support informed decision-making by aviation industry stakeholders. In this study, researchers applied natural language processing (NLP) and artificial intelligence (AI) models to process text narratives to classify the flight phases of safety occurrences. The classification performance of two deep learning models, ResNet and sRNN was evaluated, using an initial dataset of 27,000 safety occurrence reports from the NTSB. The results demonstrated good performance, with both models achieving an accuracy exceeding 68%, well above the random guess rate of 14% for a seven-class classification problem. The models also exhibited high precision, recall, and F1 scores. The sRNN model greatly outperformed the simplified ResNet model architecture used in this study. These findings indicate that NLP and deep learning models can infer the flight phase from raw text narratives, enabling effective analysis of safety occurrences.
• Abstract（参考訳）: 航空輸送システムは、小さな異常でさえ深刻な結果をもたらす可能性があるため、安全性の臨界性を認識する。 事故や事故の報告は、原因を特定し、安全勧告を提案する上で重要な役割を果たす。 しかし、事故前の出来事を記述した物語は、コンピュータシステムでは容易に理解できない構造化されていないテキストで表現される。 これらの物語に基づく安全事象の分類と分類は、航空産業の利害関係者による情報的意思決定を支援することができる。 本研究では、自然言語処理(NLP)と人工知能(AI)モデルを用いて、テキストの物語を処理し、安全発生のフライトフェーズを分類する。 NTSBによる27,000件の安全発生レポートの初期データセットを用いて、ResNetとsRNNの2つのディープラーニングモデルの分類性能を評価した。 その結果, 両モデルとも精度が68%を超え, ランダム推定率14%をはるかに上回る性能を示した。 モデルは高い精度、リコール、F1スコアを示した。 sRNNモデルは、この研究で使用される単純化されたResNetモデルアーキテクチャを大幅に上回った。 これらの結果から,NLPおよび深層学習モデルが生のテキスト物語から飛行段階を推定し,安全発生を効果的に分析できることが示唆された。

関連論文リスト

• The Hidden Risks of Large Reasoning Models: A Safety Assessment of R1 [70.94607997570729]
  本稿では,OpenAI-o3およびDeepSeek-R1推論モデルの総合的安全性評価を行う。 本研究では, 現実の応用における強靭性を評価するために, ジェイルブレイクやインジェクションなどの敵攻撃に対する感受性について検討する。
  論文  参考訳（メタデータ） (2025-02-18T09:06:07Z)
• Computational Safety for Generative AI: A Signal Processing Perspective [65.268245109828]
  計算安全性は、GenAIにおける安全性の定量的評価、定式化、研究を可能にする数学的枠組みである。 ジェイルブレイクによる悪意のあるプロンプトを検出するために, 感度解析と損失景観解析がいかに有効かを示す。 我々は、AIの安全性における信号処理の鍵となる研究課題、機会、そして重要な役割について論じる。
  論文  参考訳（メタデータ） (2025-02-18T02:26:50Z)
• Phase of Flight Classification in Aviation Safety using LSTM, GRU, and BiLSTM: A Case Study with ASN Dataset [0.0]
  本研究の目的は,NLP技術を用いて,事故後の出来事の物語から飛行の段階を推定できるかどうかを判断することである。 各種深層学習モデルの分類性能を評価した。
  論文  参考訳（メタデータ） (2025-01-14T08:26:58Z)
• Aviation Safety Enhancement via NLP & Deep Learning: Classifying Flight Phases in ATSB Safety Reports [0.0]
  本研究では, LSTM, CNN, Bidirectional LSTM(BLSTM), Simple Recurrent Neural Networks(sRNN)を含む自然言語処理(NLP)とディープラーニングモデルを用いて, オーストラリア運輸安全局(ATSB)の安全レポートの飛行相を分類する。 LSTMは87%,88%,87%,88%であった。
  論文  参考訳（メタデータ） (2025-01-14T08:18:41Z)
• Sequential Classification of Aviation Safety Occurrences with Natural Language Processing [14.379311972506791]
  安全事象を分類し分類する能力は、航空産業の利害関係者が情報的安全クリティカルな決定を下すのに役立つだろう。 各種深層学習モデルの分類性能を,NTSBによる27,000件の安全発生報告に基づいて評価した。
  論文  参考訳（メタデータ） (2025-01-11T09:23:55Z)
• Comparative Study of Deep Learning Architectures for Textual Damage Level Classification [0.0]
  本研究では、自然言語処理(NLP)とディープラーニングモデルを用いて、非構造化テキストの物語を分析することを目的とする。 LSTM, BLSTM, GRU, およびsRNN深層学習モデルを用いて, 安全発生時に発生する航空機の損傷レベルを分類する。 sRNNモデルはリコールと精度でトップパフォーマーとして登場し、驚くべき89%を誇った。
  論文  参考訳（メタデータ） (2025-01-03T08:23:29Z)
• On the Role of Attention Heads in Large Language Model Safety [64.51534137177491]
  大規模言語モデル(LLM)は、複数の言語タスクにおいて最先端のパフォーマンスを達成するが、それらの安全ガードレールを回避できる。 モデル安全への個人的貢献を評価するため,マルチヘッド対応のための新しい指標として,安全ヘッドImPortant Score(Ships)を提案する。
  論文  参考訳（メタデータ） (2024-10-17T16:08:06Z)
• The BRAVO Semantic Segmentation Challenge Results in UNCV2024 [68.20197719071436]
  我々は,(1)モデルが様々な摂動にさらされたときの精度とキャリブレーションを反映したセマンティック信頼性,(2)トレーニング中に未知のオブジェクトクラスを検出する能力を測定するOOD信頼性の2つのカテゴリを定義した。 その結果、大規模事前学習と最小限のアーキテクチャ設計が、堅牢で信頼性の高いセマンティックセグメンテーションモデルを開発する上で重要であるという興味深い洞察が浮かび上がっている。
  論文  参考訳（メタデータ） (2024-09-23T15:17:30Z)
• An Explainable Machine Learning Approach to Traffic Accident Fatality Prediction [0.02730969268472861]
  道路交通事故は世界中で公衆衛生上の脅威となっている。 本研究では,致命的および致命的でない道路事故を分類するための機械学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-18T12:41:56Z)
• What Makes and Breaks Safety Fine-tuning? A Mechanistic Study [64.9691741899956]
  安全性の微調整は、大規模な言語モデル(LLM)を、安全なデプロイメントのための人間の好みに合わせるのに役立つ。 安全でない入力の健全な側面をキャプチャする合成データ生成フレームワークを設計する。 これを用いて,3つのよく知られた安全微調整手法について検討する。
  論文  参考訳（メタデータ） (2024-07-14T16:12:57Z)
• Learning Traffic Crashes as Language: Datasets, Benchmarks, and What-if Causal Analyses [76.59021017301127]
  我々は,CrashEventという大規模トラフィッククラッシュ言語データセットを提案し,実世界のクラッシュレポート19,340を要約した。 さらに,クラッシュイベントの特徴学習を,新たなテキスト推論問題として定式化し,さらに様々な大規模言語モデル(LLM)を微調整して,詳細な事故結果を予測する。 実験の結果, LLMに基づくアプローチは事故の重大度を予測できるだけでなく, 事故の種類を分類し, 損害を予測できることがわかった。
  論文  参考訳（メタデータ） (2024-06-16T03:10:16Z)

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。