論文の概要: Smart Sensor Placement: A Correlation-Aware Attribution Framework (CAAF) for Real-world Data Modeling

• arxiv url: http://arxiv.org/abs/2510.22517v1
• Date: Sun, 26 Oct 2025 03:50:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:15.229338
• Title: Smart Sensor Placement: A Correlation-Aware Attribution Framework (CAAF) for Real-world Data Modeling
• Title（参考訳）: Smart Sensor Placement: リアルタイムデータモデリングのための相関認識属性フレームワーク(CAAF)
• Authors: Sze Chai Leung, Di Zhou, H. Jane Bae,
• Abstract要約: 最適センサー配置(OSP)は、実世界のシステムにおいて、効率的で正確な監視、制御、推論に重要である。 興味の量を予測するためのOSPを識別するための,機械学習に基づく特徴属性フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 11.354527723215568
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Optimal sensor placement (OSP) is critical for efficient, accurate monitoring, control, and inference in complex real-world systems. We propose a machine-learning-based feature attribution framework to identify OSP for the prediction of quantities of interest. Feature attribution quantifies input contributions to a model's output; however, it struggles with highly correlated input data often encountered in real-world applications. To address this, we propose a Correlation-Aware Attribution Framework (CAAF), which introduces a clustering step before performing feature attribution to reduce redundancy and enhance generalizability. We first illustrate the core principles of the proposed framework through a series of validation cases, then demonstrate its effectiveness in real-world dynamical systems, such as structural health monitoring, airfoil lift prediction, and wall-normal velocity estimation for turbulent channel flow. The results show that the CAAF outperforms alternative approaches that typically struggle due to the presence of nonlinear dynamics, chaotic behavior, and multi-scale interactions, and enables the effective application of feature attribution for identifying OSP in real-world environments.
• Abstract（参考訳）: センサ配置(OSP)は、複雑な実世界のシステムにおいて、効率的で正確な監視、制御、推論のために重要である。 興味の量を予測するためのOSPを識別するための,機械学習に基づく特徴属性フレームワークを提案する。 特徴属性(Feature Attribution)は、モデルの出力に対する入力コントリビューションを定量化するが、実世界のアプリケーションでしばしば発生する非常に相関性の高い入力データと競合する。 これを解決するために,機能属性を実行する前にクラスタリングステップを導入し,冗長性を低減し,一般化性を高める相関意識属性フレームワーク(CAAF)を提案する。 筆者らはまず, 一連の検証事例を通じて提案手法の中核となる原理を解説し, 構造的健康モニタリング, 翼上げ予測, 乱流流路流の壁面速度推定などの実世界の力学系において有効性を示す。 その結果、CAAFは非線形力学、カオス的挙動、およびマルチスケール相互作用の存在により、通常苦労する代替手法よりも優れており、実環境におけるOSPの同定に機能属性を効果的に適用できることを示した。

関連論文リスト

• The power of dynamic causality in observer-based design for soft sensor applications [0.7965327033045845]
  本稿では,動的因果解析により観測者に基づくソフトセンサを最適化するための新しい枠組みを提案する。 センサ選択への伝統的なアプローチは、複雑なシステムの時間的進化を捉えるのに失敗する線形化された可観測性指数や統計的相関に依存することが多い。
  論文  参考訳（メタデータ） (2025-09-14T16:27:58Z)
• DRTA: Dynamic Reward Scaling for Reinforcement Learning in Time Series Anomaly Detection [7.185726339205792]
  時系列データの異常検出は、ファイナンス、ヘルスケア、センサーネットワーク、産業監視におけるアプリケーションにとって重要である。 本稿では,動的報酬形成,変分オートエンコーダ(VAE),DRTAと呼ばれるアクティブラーニングを統合した強化学習ベースのフレームワークを提案する。 提案手法は,VAEに基づく再構成誤りと分類報酬の効果を動的にスケーリングすることにより,探索と利用のバランスをとる適応報酬機構を用いる。
  論文  参考訳（メタデータ） (2025-08-25T20:39:49Z)
• USAD: End-to-End Human Activity Recognition via Diffusion Model with Spatiotemporal Attention [8.061018589897277]
  人間の活動認識は、健康モニタリング、安全保護、スポーツ分析に幅広い応用を見出すタスクである。 研究の進展にもかかわらず、ヒトの活動認識は、稀な活動のためのラベル付きサンプルの不足など、依然として重要な課題に直面している。 本稿では,マルチアテンション相互作用機構に着目した包括的な最適化手法を提案する。
  論文  参考訳（メタデータ） (2025-07-03T17:38:44Z)
• HARMamba: Efficient and Lightweight Wearable Sensor Human Activity Recognition Based on Bidirectional Mamba [7.412537185607976]
  ウェアラブルセンサーによる人間の活動認識(HAR)は、活動知覚において重要な研究領域である。 HARMambaは、選択的な双方向状態空間モデルとハードウェア対応設計を組み合わせた、革新的な軽量で多用途なHARアーキテクチャである。 HarMambaは現代の最先端フレームワークより優れており、計算とメモリの要求を大幅に削減し、同等またはより良い精度を提供する。
  論文  参考訳（メタデータ） (2024-03-29T13:57:46Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。