論文の概要: Interpretable Rules for Online Failure Prediction: A Case Study on the Metro do Porto dataset

• arxiv url: http://arxiv.org/abs/2502.07394v1
• Date: Tue, 11 Feb 2025 09:23:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-12 14:06:59.465919
• Title: Interpretable Rules for Online Failure Prediction: A Case Study on the Metro do Porto dataset
• Title（参考訳）: オンライン障害予測のための解釈可能なルール:Metro do Portoデータセットのケーススタディ
• Authors: Matthias Jakobs, Bruno Veloso, Joao Gama,
• Abstract要約: 本研究は,ポルトガルのポルトで発生したメトロ列車の故障予測に焦点をあてる。 最近の研究では、並列説明可能性パイプラインを備えた高性能なディープニューラルネットワークアーキテクチャが発見されているが、生成された説明はかなり複雑であり、なぜ障害が発生しているのかを説明するのに役立っている。 本研究は、簡単なオンラインルールに基づく説明可能性アプローチを提案する。 われわれのアプローチをMetroPT2で示すと、Metro do Portoの3つのセンサーが、単純なルールでデータセットに存在する障害を予測するのに十分であることがわかった。
• 参考スコア（独自算出の注目度）: 1.6541870997607044
• License:
• Abstract: Due to their high predictive performance, predictive maintenance applications have increasingly been approached with Deep Learning techniques in recent years. However, as in other real-world application scenarios, the need for explainability is often stated but not sufficiently addressed. This study will focus on predicting failures on Metro trains in Porto, Portugal. While recent works have found high-performing deep neural network architectures that feature a parallel explainability pipeline, the generated explanations are fairly complicated and need help explaining why the failures are happening. This work proposes a simple online rule-based explainability approach with interpretable features that leads to straightforward, interpretable rules. We showcase our approach on MetroPT2 and find that three specific sensors on the Metro do Porto trains suffice to predict the failures present in the dataset with simple rules.
• Abstract（参考訳）: 高い予測性能のため、予測保守アプリケーションは近年、ディープラーニング技術によってアプローチされている。 しかし、他の現実世界のアプリケーションシナリオと同様に、説明可能性の必要性はしばしば述べられているが、十分に対処されていない。 本研究は,ポルトガルのポルトで発生したメトロ列車の故障予測に焦点をあてる。 最近の研究では、並列説明可能性パイプラインを備えた高性能なディープニューラルネットワークアーキテクチャが発見されているが、生成された説明はかなり複雑であり、なぜ障害が発生しているのかを説明するのに役立っている。 本研究は、簡単なオンラインルールに基づく説明可能性アプローチを提案する。 われわれのアプローチをMetroPT2で示すと、Metro do Portoの3つのセンサーが、単純なルールでデータセットに存在する障害を予測するのに十分であることがわかった。

関連論文リスト

• To Supervise or Not to Supervise: Understanding and Addressing the Key Challenges of Point Cloud Transfer Learning [33.03144344690688]
  下流3D作業における教師付きコントラスト付き事前学習戦略とその有用性について, より詳細な調査を行う。 教師付き事前学習の伝達性を向上する簡易な幾何正規化戦略を提案する。
  論文  参考訳（メタデータ） (2024-03-26T16:57:33Z)
• A Simple Solution for Offline Imitation from Observations and Examples with Possibly Incomplete Trajectories [122.11358440078581]
  オフラインの模倣は、任意のインタラクションがコストがかかり、専門家のアクションが利用できない現実世界のシナリオで有用である。 本研究では,タスク固有の専門的状態とタスクに依存しない非専門的状態-アクションペアのみを利用できるMPPを解決するために,観察から学習するトラジェクトリ・アウェア・ラーニング(TAILO)を提案する。
  論文  参考訳（メタデータ） (2023-11-02T15:41:09Z)
• SPOT: Scalable 3D Pre-training via Occupancy Prediction for Learning Transferable 3D Representations [76.45009891152178]
  トレーニング-ファインタニングアプローチは、さまざまな下流データセットとタスクをまたいだトレーニング済みのバックボーンを微調整することで、ラベル付けの負担を軽減することができる。 本稿では, 一般表現学習が, 占領予測のタスクを通じて達成できることを, 初めて示す。 本研究は,LiDAR 点の理解を促進するとともに,LiDAR の事前訓練における今後の進歩の道を開くことを目的とする。
  論文  参考訳（メタデータ） (2023-09-19T11:13:01Z)
• MacFormer: Map-Agent Coupled Transformer for Real-time and Robust Trajectory Prediction [26.231420111336565]
  実時間およびロバストな軌道予測のためのMap-Agent Coupled Transformer (MacFormer)を提案する。 本フレームワークは,共用マップと参照抽出器という,慎重に設計された2つのモジュールを通じて,マップ制約をネットワークに明示的に組み込む。 我々はArgoverse 1 と Argoverse 2 と nuScenes の実世界のベンチマークに対するアプローチを評価し、いずれも最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2023-08-20T14:27:28Z)
• Improving Long-Horizon Imitation Through Instruction Prediction [93.47416552953075]
  本研究では、しばしば使われない補助的監督源である言語の使用について検討する。 近年のトランスフォーマーモデルの発展にインスパイアされたエージェントは,高レベルの抽象化で動作する時間拡張表現の学習を促す命令予測損失を持つエージェントを訓練する。 さらなる分析では、複雑な推論を必要とするタスクにおいて、命令モデリングが最も重要であり、単純な計画を必要とする環境において、より小さなゲインを提供する。
  論文  参考訳（メタデータ） (2023-06-21T20:47:23Z)
• Parallel Sentence-Level Explanation Generation for Real-World Low-Resource Scenarios [18.5713713816771]
  本論文は,弱教師付き学習から教師なし学習へ,問題を円滑に探求する最初の試みである。 並列説明生成と同時予測を容易にする非自己回帰解釈モデルを提案する。
  論文  参考訳（メタデータ） (2023-02-21T14:52:21Z)
• Let Offline RL Flow: Training Conservative Agents in the Latent Space of Normalizing Flows [58.762959061522736]
  オフライン強化学習は、追加の環境相互作用なしに、事前に記録された、固定されたデータセット上でポリシーをトレーニングすることを目的としている。 我々は、最近、潜在行動空間における学習ポリシーを基礎として、生成モデルの構築に正規化フローの特別な形式を用いる。 提案手法が最近提案したアルゴリズムより優れていることを示すため,様々な移動タスクとナビゲーションタスクについて評価を行った。
  論文  参考訳（メタデータ） (2022-11-20T21:57:10Z)
• A Win-win Deal: Towards Sparse and Robust Pre-trained Language Models [53.87983344862402]
  大規模言語モデル(PLM)はメモリフットプリントと計算の点で非効率である。 PLMはデータセットバイアスに頼り、アウト・オブ・ディストリビューション(OOD)データへの一般化に苦慮する傾向にある。 最近の研究では、スパースワークはパフォーマンスを損なうことなくスパースワークに置き換えることができることが示されている。
  論文  参考訳（メタデータ） (2022-10-11T07:26:34Z)
• Online Deep Learning from Doubly-Streaming Data [17.119725174036653]
  本稿では,データストリームが常に進化する特徴空間によって記述される,二重ストリームデータによる新たなオンライン学習問題について検討する。 この課題を克服するもっともらしいアイデアは、進化する機能空間間の関係を確立することである。 従来の特徴空間と新しい特徴空間から情報を要約するために,共有潜在部分空間が発見された新しいOLD3Sパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-04-25T17:06:39Z)
• STG-GAN: A spatiotemporal graph generative adversarial networks for short-term passenger flow prediction in urban rail transit systems [11.167132464665578]
  短期の旅客フロー予測は、都市交通システムを管理する上で重要であるが、難しい課題である。 本稿では,予測精度が高く,高い効率,メモリ占有率の低い,ディープラーニングに基づく時間グラフ生成対向ネットワーク(STG-GAN)モデルを提案する。 本研究は、特に現実の応用の観点から、短期の乗客フロー予測を行う上で、批判的な経験を提供することができる。
  論文  参考訳（メタデータ） (2022-02-10T13:18:11Z)
• Injecting Knowledge in Data-driven Vehicle Trajectory Predictors [82.91398970736391]
  車両軌道予測タスクは、一般的に知識駆動とデータ駆動の2つの視点から取り組まれている。 本稿では,これら2つの視点を効果的に結合する「現実的残留ブロック」 (RRB) の学習を提案する。 提案手法は,残留範囲を限定し,その不確実性を考慮した現実的な予測を行う。
  論文  参考訳（メタデータ） (2021-03-08T16:03:09Z)

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。