論文の概要: On the Tunability of Random Survival Forests Model for Predictive Maintenance
- arxiv url: http://arxiv.org/abs/2504.14744v1
- Date: Sun, 20 Apr 2025 21:27:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-29 20:21:46.121801
- Title: On the Tunability of Random Survival Forests Model for Predictive Maintenance
- Title（参考訳）: 予測維持のためのランダム生存林モデルの適用可能性について
- Authors: Yigitcan Yardımcı, Mustafa Cavus,
- Abstract要約: 本稿では,ランダムサバイバルフォレスト(RSF)モデルの予測維持性について検討する。
チューナビリティを定量化する3段階のフレームワークを導入する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper investigates the tunability of the Random Survival Forest (RSF) model in predictive maintenance, where accurate time-to-failure estimation is crucial. Although RSF is widely used due to its flexibility and ability to handle censored data, its performance is sensitive to hyperparameter configurations. However, systematic evaluations of RSF tunability remain limited, especially in predictive maintenance contexts. We introduce a three-level framework to quantify tunability: (1) a model-level metric measuring overall performance gain from tuning, (2) a hyperparameter-level metric assessing individual contributions, and (3) identification of optimal tuning ranges. These metrics are evaluated across multiple datasets using survival-specific criteria: the C-index for discrimination and the Brier score for calibration. Experiments on four CMAPSS dataset subsets, simulating aircraft engine degradation, reveal that hyperparameter tuning consistently improves model performance. On average, the C-index increased by 0.0547, while the Brier score decreased by 0.0199. These gains were consistent across all subsets. Moreover, ntree and mtry showed the highest average tunability, while nodesize offered stable improvements within the range of 10 to 30. In contrast, splitrule demonstrated negative tunability on average, indicating that improper tuning may reduce model performance. Our findings emphasize the practical importance of hyperparameter tuning in survival models and provide actionable insights for optimizing RSF in real-world predictive maintenance applications.
- Abstract（参考訳）: 本稿では,予測維持におけるランダム生存林モデル(RSF)のチューニング可能性について検討する。
RSFは、その柔軟性と検閲されたデータを扱う能力から広く使用されているが、その性能はハイパーパラメータ構成に敏感である。
しかしながら、RCFのチューニング性に関する体系的な評価は、特に予測的保守状況において限定的のままである。
1)チューニングによる全体的なパフォーマンス向上を測定するモデルレベルメトリック,(2)個々のコントリビューションを評価するハイパーパラメータレベルメトリック,(3)最適チューニング範囲の同定。
これらの指標は、識別のためのCインデックスとキャリブレーションのためのBrierスコアという、生存固有の基準を用いて、複数のデータセットで評価される。
CMAPSSデータセットの4つのサブセットの実験は、航空機エンジンの劣化をシミュレートし、ハイパーパラメータチューニングがモデル性能を一貫して改善することを示した。
C-インデックスは平均0.0547増加し、ブライアスコアは0.0199低下した。
これらの利得はすべてのサブセットで一貫していた。
さらに,ntreeとmtryは平均調整性が最も高く,ノードサイズは10～30の範囲で安定的に改善した。
対照的に、スプリプルは平均的に負のチューニング性を示し、不適切なチューニングはモデルの性能を低下させる可能性があることを示した。
本研究は、生存モデルにおけるハイパーパラメータチューニングの実践的重要性を強調し、実世界の予測保守アプリケーションにおいてRCFを最適化するための実用的な洞察を提供する。
関連論文リスト
- Robust and Efficient Fine-tuning of LLMs with Bayesian Reparameterization of Low-Rank Adaptation [17.84857303452691]
大規模言語モデル(LLM)は、その巨大なサイズのため、リソース集約性が高いため、微調整が可能である。
本稿では,評価器の分散を低減し,最終的なモデル出力の安定性を高めるために,低ランク微調整における効果的なパラメータ化の重要性を強調した。
提案手法はモンテカルロ推定法を用いて,低次パラメータの非バイアス後推定を低次分散で学習する手法である。
論文 参考訳（メタデータ） (2024-11-07T01:31:48Z) - Large Continual Instruction Assistant [59.585544987096974]
CIT(Continuous Instruction Tuning)は、大規模モデルにデータによる人間の意図データに従うよう指示するために用いられる。
既存の更新勾配は、CITプロセス中に前のデータセットのパフォーマンスを著しく損なうことになる。
本稿では,この課題に対処する汎用的な連続的命令チューニングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-08T11:24:59Z) - Calibrating Language Models with Adaptive Temperature Scaling [58.056023173579625]
本稿では,各トークンの温度スケーリングパラメータを予測するポストホックキャリブレーション法であるAdaptive Temperature Scaling (ATS)を紹介する。
ATSは、以前のキャリブレーション法と比較して、3つの下流自然言語評価ベンチマークで10-50%以上のキャリブレーションを改善する。
論文 参考訳（メタデータ） (2024-09-29T22:54:31Z) - Average Causal Effect Estimation in DAGs with Hidden Variables: Extensions of Back-Door and Front-Door Criteria [3.0232957374216953]
隠れ変数を持つ有向パラメトリックグラフ(DAG)のクラスに対して,一段階補正プラグインと最小損失に基づく因果効果推定器を開発する。
機械学習を利用してモデリングの仮定を最小化するとともに、線形原始性、二重ロバスト性、効率性、および対象パラメータ空間の境界内に留まるといった重要な統計特性を保証します。
論文 参考訳（メタデータ） (2024-09-06T01:07:29Z) - Probabilistic Scores of Classifiers, Calibration is not Enough [0.32985979395737786]
二項分類タスクでは、確率的予測の正確な表現が実世界の様々な応用に不可欠である。
本研究では,予測スコアと真の確率分布の一致を優先するアプローチを強調した。
その結果,従来の校正基準の限界が明らかとなり,重要な意思決定のための予測モデルの信頼性を損なう可能性が示唆された。
論文 参考訳（メタデータ） (2024-08-06T19:53:00Z) - Optimizing PM2.5 Forecasting Accuracy with Hybrid Meta-Heuristic and Machine Learning Models [0.0]
本研究は,支援ベクトル回帰(SVR)を用いた時間PM2.5濃度の予測に焦点を当てた。
予測精度を高めるために,メタヒューリスティックアルゴリズム,Grey Wolf Optimization (GWO) および Particle Swarm Optimization (PSO) を用いる。
その結果、PSO-SVR(R2: 0.9401, RMSE: 0.2390, MAE: 0.1368)とGWO-SVR(R2: 0.9408, RMSE: 0.2376, MAE: 0.1373)の大幅な改善が見られた。
論文 参考訳（メタデータ） (2024-07-01T05:24:19Z) - On the Impact of Sampling on Deep Sequential State Estimation [17.92198582435315]
逐次モデルにおける状態推定とパラメータ学習は近似手法を用いてうまく行うことができる。
モンテカルロの厳密な目的は、生成的モデリング性能を向上させるために文献で提案されている。
論文 参考訳（メタデータ） (2023-11-28T17:59:49Z) - Scaling & Shifting Your Features: A New Baseline for Efficient Model
Tuning [126.84770886628833]
既存の微調整法は、事前訓練されたモデルの全てのパラメータ(フル微調整)をチューニングするか、最後の線形層(線形プローブ)のみをチューニングする。
そこで本研究では,SSFと呼ばれるパラメータ効率の高いファインタニング手法を提案する。
論文 参考訳（メタデータ） (2022-10-17T08:14:49Z) - Autoregressive Score Matching [113.4502004812927]
自動回帰条件スコアモデル(AR-CSM)を提案する。
AR-CSMモデルでは、このデータ分布とモデル分布のばらつきを効率的に計算し、最適化することができ、高価なサンプリングや対向訓練を必要としない。
本研究では,合成データに対する密度推定,画像生成,画像復調,暗黙エンコーダを用いた潜在変数モデルの訓練に応用できることを示す。
論文 参考訳（メタデータ） (2020-10-24T07:01:24Z) - Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。
また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
論文 参考訳（メタデータ） (2020-08-21T18:43:37Z) - SUMO: Unbiased Estimation of Log Marginal Probability for Latent
Variable Models [80.22609163316459]
無限級数のランダム化トランケーションに基づく潜在変数モデルに対して、ログ境界確率の非バイアス推定器とその勾配を導入する。
推定器を用いてトレーニングしたモデルは、同じ平均計算コストに対して、標準的な重要度サンプリングに基づくアプローチよりも優れたテストセット確率を与えることを示す。
論文 参考訳（メタデータ） (2020-04-01T11:49:30Z)
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。