論文の概要: MSD-LLM: Predicting Ship Detention in Port State Control Inspections with Large Language Model

• arxiv url: http://arxiv.org/abs/2505.19568v1
• Date: Mon, 26 May 2025 06:32:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:43.216535
• Title: MSD-LLM: Predicting Ship Detention in Port State Control Inspections with Large Language Model
• Title（参考訳）: MSD-LLM:大規模言語モデルを用いたポート状態制御検査における船舶留置予測
• Authors: Jiongchao Jin, Xiuju Fu, Xiaowei Gao, Tao Cheng, Ran Yan,
• Abstract要約: 港湾州管理局(PSC)は安全規制の遵守を強制しており、船舶の留置は最も深刻な結果である。 船舶留置予測のための従来の機械学習手法は、表現学習の能力によって制限される。 本稿では,DSR(Double robust subspace recovery)層に基づく自動エンコーダと,プログレッシブラーニングパイプラインを統合した,大規模言語モデル(MSD-LLM)による海上船舶留置を提案する。 アジア太平洋地域のPSC検査記録31,707件の広範囲な評価によると、MSD-LLMは、AUC(Area Under the Curve)で12%以上の最先端の手法を上回っている。
• 参考スコア（独自算出の注目度）: 4.789319995539864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Maritime transportation is the backbone of global trade, making ship inspection essential for ensuring maritime safety and environmental protection. Port State Control (PSC), conducted by national ports, enforces compliance with safety regulations, with ship detention being the most severe consequence, impacting both ship schedules and company reputations. Traditional machine learning methods for ship detention prediction are limited by the capacity of representation learning and thus suffer from low accuracy. Meanwhile, autoencoder-based deep learning approaches face challenges due to the severe data imbalance in learning historical PSC detention records. To address these limitations, we propose Maritime Ship Detention with Large Language Models (MSD-LLM), integrating a dual robust subspace recovery (DSR) layer-based autoencoder with a progressive learning pipeline to handle imbalanced data and extract meaningful PSC representations. Then, a large language model groups and ranks features to identify likely detention cases, enabling dynamic thresholding for flexible detention predictions. Extensive evaluations on 31,707 PSC inspection records from the Asia-Pacific region show that MSD-LLM outperforms state-of-the-art methods more than 12\% on Area Under the Curve (AUC) for Singapore ports. Additionally, it demonstrates robustness to real-world challenges, making it adaptable to diverse maritime risk assessment scenarios.
• Abstract（参考訳）: 海上輸送は世界貿易のバックボーンであり、海上安全と環境保護を確保するために船の検査が不可欠である。 ポート・ステート・コントロール(PSC)は、国有港によって実施され、船舶の留置が最も深刻な結果となり、船舶のスケジュールと会社の評判に影響を及ぼす。 船舶留置予測のための従来の機械学習手法は、表現学習能力によって制限されており、したがって精度が低い。 一方、自己エンコーダに基づくディープラーニングアプローチは、歴史的PSC留置記録の学習において、データ不均衡が深刻なため、課題に直面している。 これらの制約に対処するため,MSD-LLM(Maritime Ship Detention with Large Language Models)を提案し,DSR(Dual robust subspace recovery)層ベースのオートエンコーダとプログレッシブラーニングパイプラインを統合し,不均衡なデータを扱うとともに,意味のあるPSC表現を抽出する。 次に、大きな言語モデルグループとランク付けによって、潜在的な拘留ケースを特定し、フレキシブルな拘留予測のための動的しきい値設定を可能にする。 アジア太平洋地域のPSC検査記録31,707件の大規模な評価は、MSD-LLMがシンガポール港のAUC(Area Under the Curve)で12%以上、最先端の手法を上回っていることを示している。 さらに、現実世界の課題に対する堅牢性を示し、多様な海洋リスク評価シナリオに適応できるようにする。

関連論文リスト

• FLP-XR: Future Location Prediction on Extreme Scale Maritime Data in Real-time [0.8937169040399775]
  本稿では,海上移動データを活用するモデルであるFLP-XRを紹介し,高精度な予測を行うロバストなフレームワークを構築する。 3つの実世界のAISデータセットを用いた大規模な実験により,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2025-03-10T13:31:42Z)
• Uniformly Safe RL with Objective Suppression for Multi-Constraint Safety-Critical Applications [73.58451824894568]
  広く採用されているCMDPモデルは予測のリスクを制約しており、長い尾の州で危険な行動を起こす余地がある。 安全クリティカルな領域では、そのような行動は破滅的な結果をもたらす可能性がある。 本稿では,目標を最大化するタスク報酬を適応的に抑制する新しい手法であるObjective Suppressionを提案する。
  論文  参考訳（メタデータ） (2024-02-23T23:22:06Z)
• Safety Margins for Reinforcement Learning [53.10194953873209]
  安全マージンを生成するためにプロキシ臨界度メトリクスをどのように活用するかを示す。 Atari 環境での APE-X と A3C からの学習方針に対するアプローチを評価する。
  論文  参考訳（メタデータ） (2023-07-25T16:49:54Z)
• Aeolus Ocean -- A simulation environment for the autonomous COLREG-compliant navigation of Unmanned Surface Vehicles using Deep Reinforcement Learning and Maritime Object Detection [0.0]
  海上部門における無人水上機(USV)の航行自律性は、より安全な水と運用コストの削減につながる可能性がある。 本稿では, 現実的な海洋シミュレーション環境において, COLREG 準拠の DRL を用いた衝突回避航法システムの開発について述べる。
  論文  参考訳（メタデータ） (2023-07-13T11:20:18Z)
• Anomalous NO2 emitting ship detection with TROPOMI satellite data and machine learning [0.08602553195689512]
  2021年からは、北海とバルト海で活動する船舶に対して、より要求の高い$textNO_text2$の排出制限が導入された。 本研究では,TROPOMI衛星データに基づく機械学習モデルの組み合わせを用いて,潜在的に適合しない船舶の自動選択手法を提案する。
  論文  参考訳（メタデータ） (2023-02-24T16:54:47Z)
• Deep Reinforcement Learning Aided Platoon Control Relying on V2X Information [78.18186960475974]
  車両間通信(V2X)が小隊制御性能に及ぼす影響について検討した。 我々の目的は、最も適切な状態空間を構築するために、車両間で共有されるべき特定の情報の集合を見つけることである。 状態空間に含めると、より高い状態次元を持つ負の効果を相殺する確率が高いため、より有益な情報が伝達においてより高い優先度で与えられる。
  論文  参考訳（メタデータ） (2022-03-28T02:11:54Z)
• Learning Robust Output Control Barrier Functions from Safe Expert Demonstrations [50.37808220291108]
  本稿では,専門家によるデモンストレーションの部分的な観察から,安全な出力フィードバック制御法を考察する。 まず,安全性を保証する手段として,ロバスト出力制御バリア関数(ROCBF)を提案する。 次に、安全なシステム動作を示す専門家による実証からROCBFを学習するための最適化問題を定式化する。
  論文  参考訳（メタデータ） (2021-11-18T23:21:00Z)

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。