論文の概要: Machine Learning Framework for Audio-Based Equipment Condition Monitoring: A Comparative Study of Classification Algorithms

• arxiv url: http://arxiv.org/abs/2509.11075v1
• Date: Sun, 14 Sep 2025 03:54:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-16 17:26:22.900659
• Title: Machine Learning Framework for Audio-Based Equipment Condition Monitoring: A Comparative Study of Classification Algorithms
• Title（参考訳）: 音響機器条件モニタリングのための機械学習フレームワーク:分類アルゴリズムの比較検討
• Authors: Srijesh Pillai, Yodhin Agarwal, Zaheeruddin Ahmed,
• Abstract要約: 本稿では,機械学習モデルの体系的,統計的に厳密な評価のための包括的枠組みを提案する。 提案手法は,合成データセットと実世界のデータセットの両方で検証される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Audio-based equipment condition monitoring suffers from a lack of standardized methodologies for algorithm selection, hindering reproducible research. This paper addresses this gap by introducing a comprehensive framework for the systematic and statistically rigorous evaluation of machine learning models. Leveraging a rich 127-feature set across time, frequency, and time-frequency domains, our methodology is validated on both synthetic and real-world datasets. Results demonstrate that an ensemble method achieves superior performance (94.2% accuracy, 0.942 F1-score), with statistical testing confirming its significant outperformance of individual algorithms by 8-15%. Ultimately, this work provides a validated benchmarking protocol and practical guidelines for selecting robust monitoring solutions in industrial settings.
• Abstract（参考訳）: オーディオベースの機器条件監視は、アルゴリズム選択のための標準化された方法論の欠如に悩まされ、再現可能な研究を妨げる。 本稿では,機械学習モデルの体系的かつ統計的に厳密な評価のための包括的枠組みを導入することで,このギャップに対処する。 時間、周波数、時間周波数領域にまたがるリッチな127機能セットを活用することで、我々の手法は、合成データセットと実世界のデータセットの両方で検証される。 その結果, アンサンブル法は精度94.2%, 0.942F1スコア) に優れており, 統計的検査により, 個々のアルゴリズムの顕著な性能が8～15%向上することが確認された。 最終的に、この作業は、検証済みのベンチマークプロトコルと、産業環境で堅牢な監視ソリューションを選択するための実践的なガイドラインを提供する。

関連論文リスト

• On the Interconnections of Calibration, Quantification, and Classifier Accuracy Prediction under Dataset Shift [58.91436551466064]
  本稿では,データセットシフト条件下でのキャリブレーションと定量化の3つの基本問題間の相互接続について検討する。 これらのタスクのいずれか1つに対するオラクルへのアクセスは、他の2つのタスクの解決を可能にすることを示す。 本稿では,他の分野から借用した高度に確立された手法の直接適応に基づく各問題に対する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-05-16T15:42:55Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Enhancing PAC Learning of Half spaces Through Robust Optimization Techniques [0.0]
  PACは、一定の悪意のある雑音下でハーフスペースを学習し、トレーニングデータのごく一部が逆向きに破損する。 半宇宙学習における雑音耐性を考慮に入れた理論的枠組みを拡張した,新しい効率的なアルゴリズムを提案する。 本稿では,従来の最先端手法と比較して,悪質な雑音に対して優れた頑健性を示すアルゴリズムの性能を包括的に分析する。
  論文  参考訳（メタデータ） (2024-10-21T23:08:17Z)
• Towards the Best Solution for Complex System Reliability: Can Statistics Outperform Machine Learning? [39.58317527488534]
  本研究は,信頼性評価を改善するための古典的統計手法と機械学習手法の有効性を比較した。 従来の統計アルゴリズムは、ブラックボックスの機械学習手法よりも正確で解釈可能な結果が得られることを実証することを目的としている。
  論文  参考訳（メタデータ） (2024-10-05T17:31:18Z)
• SmurfCat at SemEval-2024 Task 6: Leveraging Synthetic Data for Hallucination Detection [51.99159169107426]
  本稿では,SemEval-2024幻覚検出タスクのための新しいシステムを提案する。 我々の調査は、モデル予測と基準基準を比較するための様々な戦略にまたがっている。 強力なパフォーマンス指標を示す3つの異なる方法を紹介します。
  論文  参考訳（メタデータ） (2024-04-09T09:03:44Z)
• Bandit-Driven Batch Selection for Robust Learning under Label Noise [20.202806541218944]
  本稿では,SGD(Gradient Descent)トレーニングにおけるバッチ選択のための新しい手法を提案する。 本手法は,ラベルノイズの存在下での学習過程の最適化に重点を置いている。
  論文  参考訳（メタデータ） (2023-10-31T19:19:01Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)
• Unsupervised Domain Adaptation for Acoustic Scene Classification Using Band-Wise Statistics Matching [69.24460241328521]
  機械学習アルゴリズムは、トレーニング(ソース)とテスト(ターゲット)データの分散のミスマッチの影響を受けやすい。 本研究では,ターゲット領域音響シーンの各周波数帯域の1次及び2次サンプル統計値と,ソース領域学習データセットの1次と2次サンプル統計値との整合性を有する教師なし領域適応手法を提案する。 提案手法は,文献にみられる最先端の教師なし手法よりも,ソース・ドメインの分類精度とターゲット・ドメインの分類精度の両面で優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-30T23:56:05Z)

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。