論文の概要: Syn-Diag: An LLM-based Synergistic Framework for Generalizable Few-shot Fault Diagnosis on the Edge

• arxiv url: http://arxiv.org/abs/2510.05733v1
• Date: Tue, 07 Oct 2025 09:55:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.188161
• Title: Syn-Diag: An LLM-based Synergistic Framework for Generalizable Few-shot Fault Diagnosis on the Edge
• Title（参考訳）: Syn-Diag: エッジ上の一般化可能なFewショット故障診断のためのLLMベースの相乗的フレームワーク
• Authors: Zijun Jia, Shuang Liang, Jinsong Yu,
• Abstract要約: 産業的欠陥診断は、データの不足と、リソース制約のある環境で大規模なAIモデルをデプロイすることの難しさという2つの課題に直面している。 本稿では,Large Language Models を利用した新しいクラウドエッジ・シナジスティック・フレームワークであるSyn-Diagを紹介し,これらの限界を数発の故障診断で克服する。
• 参考スコア（独自算出の注目度）: 3.0376457382837447
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial fault diagnosis faces the dual challenges of data scarcity and the difficulty of deploying large AI models in resource-constrained environments. This paper introduces Syn-Diag, a novel cloud-edge synergistic framework that leverages Large Language Models to overcome these limitations in few-shot fault diagnosis. Syn-Diag is built on a three-tiered mechanism: 1) Visual-Semantic Synergy, which aligns signal features with the LLM's semantic space through cross-modal pre-training; 2) Content-Aware Reasoning, which dynamically constructs contextual prompts to enhance diagnostic accuracy with limited samples; and 3) Cloud-Edge Synergy, which uses knowledge distillation to create a lightweight, efficient edge model capable of online updates via a shared decision space. Extensive experiments on six datasets covering different CWRU and SEU working conditions show that Syn-Diag significantly outperforms existing methods, especially in 1-shot and cross-condition scenarios. The edge model achieves performance comparable to the cloud version while reducing model size by 83% and latency by 50%, offering a practical, robust, and deployable paradigm for modern intelligent diagnostics.
• Abstract（参考訳）: 産業的欠陥診断は、データの不足と、リソース制約のある環境で大規模なAIモデルをデプロイすることの難しさという2つの課題に直面している。 本稿では,Large Language Models を利用した新しいクラウドエッジ・シナジスティック・フレームワークであるSyn-Diagを紹介し,これらの限界を数発の故障診断で克服する。 Syn-Diagは3層機構上に構築されています。 1) 信号特徴とLLMの意味空間を交差モーダル事前学習により整列する視覚的セマンティック・シナジー 2)限られたサンプルを用いて診断精度を高めるために文脈的プロンプトを動的に構築するコンテンツ認識推論 3) Cloud-Edge Synergy — 知識蒸留を使用して、共有決定空間を通じてオンライン更新が可能な軽量で効率的なエッジモデルを作成する。 異なるCWRUとSEUの作業条件をカバーする6つのデータセットに対する大規模な実験は、Syn-Diagが既存の手法、特に1ショットおよびクロスコンディションシナリオにおいて、著しく優れていることを示している。 エッジモデルは、クラウドバージョンに匹敵するパフォーマンスを実現し、モデルサイズを83%削減し、レイテンシを50%削減し、現代的なインテリジェント診断のための実用的で堅牢でデプロイ可能なパラダイムを提供する。

関連論文リスト

• A2R: An Asymmetric Two-Stage Reasoning Framework for Parallel Reasoning [57.727084580884075]
  モデルポテンシャルと実際の性能の間のギャップを埋めるために設計された非対称な2段階推論フレームワーク。 A2R-Efficientは、Qwen3-4BとQwen3-8Bシンセサイザーを組み合わせた「小型から大型」の派生型である。 その結果、A2Rはパフォーマンス・ブートスティングのフレームワークであるだけでなく、現実世界のアプリケーションに対して効率的かつ実用的なソリューションであることがわかった。
  論文  参考訳（メタデータ） (2025-09-26T08:27:03Z)
• Filling the Gaps: A Multitask Hybrid Multiscale Generative Framework for Missing Modality in Remote Sensing Semantic Segmentation [28.992992584085787]
  マルチモーダル学習は、通常の単調モデルと比較して大きな性能向上を示した。 現実のシナリオでは、センサーの故障と悪天候のためにマルチモーダル信号が欠落する可能性がある。 本稿では,これらの制約に対処するために,GEMMNet(Generative-Enhanced MultiModal Learning Network)を提案する。
  論文  参考訳（メタデータ） (2025-09-14T05:40:35Z)
• Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
  ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。 トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。 欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
  論文  参考訳（メタデータ） (2025-08-05T15:07:32Z)
• Efficient Multi-Instance Generation with Janus-Pro-Dirven Prompt Parsing [53.295515505026096]
  Janus-Pro-driven Prompt Parsingは、テキスト理解とレイアウト生成をブリッジするプロンプト解析モジュールである。 MIGLoRAはパラメータ効率の良いプラグインで、低ランク適応を UNet (SD1.5) と DiT (SD3) のバックボーンに統合する。 提案手法はパラメータ効率を維持しつつCOCOおよびLVISベンチマークの最先端性能を実現する。
  論文  参考訳（メタデータ） (2025-03-27T00:59:14Z)
• CDS: Knowledge Component-Driven Data Synthesis Guided by Cognitive Diagnosis Theory [39.579188324839386]
  大規模言語モデル(LLM)は大きな進歩を遂げているが、タスクの複雑さが増し、高いパフォーマンス要求が継続的改善の必要性を浮き彫りにしている。 いくつかの手法は、列車モデルの評価結果に基づいて、先進LLMによって生成された合成データを利用する。 本稿では,認知診断理論(CDT)にインスパイアされた診断プロセスを取り入れた認知診断合成(CDS)手法を提案する。
  論文  参考訳（メタデータ） (2025-01-13T20:13:59Z)
• Implementing Trust in Non-Small Cell Lung Cancer Diagnosis with a Conformalized Uncertainty-Aware AI Framework in Whole-Slide Images [37.3701890138561]
  TRUECAMは、非小細胞肺癌におけるデータとモデル信頼性の両方を保証するために設計されたフレームワークである。 TRUECAMでラップされたAIモデルは、分類精度、堅牢性、解釈可能性、データ効率の点で、そのようなガイダンスが欠けているモデルよりも大幅に優れている。
  論文  参考訳（メタデータ） (2024-12-28T02:22:47Z)
• Memory-efficient High-resolution OCT Volume Synthesis with Cascaded Amortized Latent Diffusion Models [48.87160158792048]
  本稿では,高分解能CTボリュームをメモリ効率よく合成できるCA-LDM(Cascaded amortized Latent diffusion model)を提案する。 公開高解像度OCTデータセットを用いた実験により、我々の合成データは、既存の手法の能力を超越した、現実的な高解像度かつグローバルな特徴を持つことが示された。
  論文  参考訳（メタデータ） (2024-05-26T10:58:22Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)

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。