論文の概要: InfoPos: A Design Support Framework for ML-Assisted Fault Detection and Identification in Industrial Cyber-Physical Systems
- arxiv url: http://arxiv.org/abs/2502.10331v2
- Date: Thu, 09 Oct 2025 15:09:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-10 15:34:28.372421
- Title: InfoPos: A Design Support Framework for ML-Assisted Fault Detection and Identification in Industrial Cyber-Physical Systems
- Title（参考訳）: InfoPos: 産業用サイバー物理システムにおけるML支援故障検出と同定のための設計支援フレームワーク
- Authors: Uraz Odyurt, Richard Loendersloot, Tiedo Tinga,
- Abstract要約: InfoPosフレームワークは利用可能な知識とデータ次元のレベルに基づいたユースケースの配置を可能にする。
産業用サイバー物理システムのための障害識別ユースケースである実証実験の結果は、達成された効果を反映している。
達成されたMLモデルのパフォーマンスは、より良いソリューションの指標と見なされる。
- 参考スコア（独自算出の注目度）: 0.5097809301149341
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The variety of building blocks and algorithms incorporated in data-centric and ML-assisted fault detection and identification solutions is high, contributing to two challenges: selection of the most effective set and order of building blocks, as well as achieving such a selection with minimum cost. Considering that ML-assisted solution design is influenced by the extent of available data and the extent of available knowledge of the target system, it is advantageous to be able to select effective and matching building blocks. We introduce the first iteration of our InfoPos framework, allowing the placement of fault detection/identification use-cases based on the available levels (positions), i.e., from poor to rich, of knowledge and data dimensions. With that input, designers and developers can reveal the most effective corresponding choice(s), streamlining the solution design process. The results from a demonstrator, a fault identification use-case for industrial Cyber-Physical Systems, reflects achieved effects when different building blocks are used throughout knowledge and data positions. The achieved ML model performance is considered as the indicator for a better solution. The data processing code and composed datasets are publicly available.
- Abstract（参考訳）: データ中心型およびML支援型障害検出および識別ソリューションに組み込まれたビルディングブロックとアルゴリズムの多様性は高いため、ビルディングブロックの最も効果的なセットと順序の選択と、そのような選択を最小コストで達成する2つの課題に寄与する。
ML支援型ソリューション設計は、利用可能なデータの範囲と対象システムの利用可能な知識の程度に影響されているため、有効かつ整合性のあるビルディングブロックを選択できることが有利である。
我々はInfoPosフレームワークの最初のイテレーションを紹介し、利用可能なレベル(配置)、すなわち知識とデータ次元の貧弱から富裕なレベルに基づいて、障害検出/特定ユースケースの配置を可能にする。
このインプットによって、デザイナと開発者は最も効果的な対応する選択を明らかにし、ソリューション設計プロセスの合理化が可能になります。
産業用サイバー物理システムのための障害識別ユースケースであるデモレータの結果は、知識やデータ位置を通じて異なるビルディングブロックが使用される場合に達成された効果を反映している。
達成されたMLモデルのパフォーマンスは、より良いソリューションの指標と見なされる。
データ処理コードと合成データセットが公開されている。
関連論文リスト
- Resolving Knowledge Conflicts in Domain-specific Data Selection: A Case Study on Medical Instruction-tuning [83.99974309930072]
ドメイン固有の命令チューニングは、大規模言語モデルの性能向上のためのデファクトスタンダードとなっている。
LLMの実際のニーズを満たすドメイン固有の命令調整データを選択するための知識対応データ選択フレームワークを提案する。
大きな知識の衝突でデータをフィルタリングし、高品質で多様なデータをサンプリングすることで、KDSはLLMの能力を効果的に刺激し、ドメイン固有のパフォーマンスを向上させることができる。
論文 参考訳（メタデータ） (2025-05-28T04:18:24Z) - Data Requirement Goal Modeling for Machine Learning Systems [0.8854624631197942]
本研究は,機械学習システムにおけるデータ要件の特定において,非専門家を導くアプローチを提案する。
我々はまず,白書を調査し,データ要求目標モデル(DRGM)を開発した。
次に、実世界のプロジェクトに基づいた2つの実証的な例を通して、このアプローチを検証する。
論文 参考訳（メタデータ） (2025-04-10T11:30:25Z) - Grasping Partially Occluded Objects Using Autoencoder-Based Point Cloud Inpainting [50.4653584592824]
実世界のアプリケーションには、シミュレーションや実験室の設定でテストされたソリューションを把握できないような課題が伴うことが多い。
本稿では,欠落した情報を再構成するアルゴリズムを提案する。
本手法は,ロバストなオブジェクトマッチング手法を現実に活用し,点計算の把握に役立てる。
論文 参考訳（メタデータ） (2025-03-16T15:38:08Z) - FlairGPT: Repurposing LLMs for Interior Designs [26.07841568311428]
大規模言語モデル (LLM) が内部設計に直接活用できるかどうかを検討する。
LLMを体系的に探索することにより、関連する制約とともにオブジェクトのリストを確実に生成できる。
この情報を設計レイアウトグラフに変換し、オフザシェルフ制約最適化設定を用いて解決する。
論文 参考訳（メタデータ） (2025-01-08T18:01:49Z) - Federated Fine-Tuning of LLMs: Framework Comparison and Research Directions [59.5243730853157]
Federated Learning(FL)は、分散プライベートデータセットを使用して、トレーニング済みの大規模言語モデル(LLM)を微調整するための、プライバシ保護ソリューションを提供する。
本稿では、知識蒸留(KD)とスプリットラーニング(SL)を統合し、これらの問題を緩和する3つの先進的連合LLM(FedLLM)フレームワークの比較分析を行う。
論文 参考訳（メタデータ） (2025-01-08T11:37:06Z) - LLM-Select: Feature Selection with Large Language Models [64.5099482021597]
大規模言語モデル(LLM)は、データサイエンスの標準ツールに匹敵するパフォーマンスで、最も予測可能な機能を選択することができる。
以上の結果から,LSMはトレーニングに最適な機能を選択するだけでなく,そもそもどの機能を収集すべきかを判断する上でも有用である可能性が示唆された。
論文 参考訳（メタデータ） (2024-07-02T22:23:40Z) - LESS: Selecting Influential Data for Targeted Instruction Tuning [64.78894228923619]
本稿では,データの影響を推定し,命令データ選択のための低ランクグレーディエント類似度探索を行うアルゴリズムであるLESSを提案する。
LESS選択したデータの5%のトレーニングは、さまざまなダウンストリームタスクにわたる完全なデータセットでのトレーニングよりも優れています。
我々の方法は、意図した下流アプリケーションに必要な推論スキルを識別するために、表面的なフォームキューを超えています。
論文 参考訳（メタデータ） (2024-02-06T19:18:04Z) - Data-centric Operational Design Domain Characterization for Machine
Learning-based Aeronautical Products [4.8461049669050915]
機械学習(ML)に基づく航空製品のための操作設計ドメイン(ODD)の厳密な特徴付けを初めて与える。
我々は,ODDを定義するパラメータを明示的にキャプチャできる次元と,MLベースのアプリケーションが操作中に遭遇する可能性のあるデータの分類を提案する。
論文 参考訳（メタデータ） (2023-07-15T02:08:33Z) - AVIS: Autonomous Visual Information Seeking with Large Language Model
Agent [123.75169211547149]
本稿では,視覚的質問応答フレームワークAVISを提案する。
本手法は,LLM(Large Language Model)を利用して外部ツールの利用を動的に強化する。
AVIS は Infoseek や OK-VQA などの知識集約型視覚質問応答ベンチマークの最先端結果を達成する。
論文 参考訳（メタデータ） (2023-06-13T20:50:22Z) - Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。
本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。
本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
論文 参考訳（メタデータ） (2021-01-24T05:40:29Z)
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。