論文の概要: I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation

• arxiv url: http://arxiv.org/abs/2511.21208v1
• Date: Wed, 26 Nov 2025 09:39:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-27 18:37:59.037527
• Title: I-GLIDE: Input Groups for Latent Health Indicators in Degradation Estimation
• Title（参考訳）: I-GLIDE:劣化推定における潜伏型健康指標の入力グループ
• Authors: Lucas Thil, Jesse Read, Rim Kaddah, Guillaume Doquet,
• Abstract要約: 本稿では, 健康指標構築のための新しい枠組みを紹介し, 3つの重要な貢献を推し進める。 我々は、RUL予測の健康指標(HI)としてプロジェクテッドパスウェイ(RaPP)に沿ってレコンストラクションを適応し、従来のリコンストラクションエラー指標よりも優れていることを示す。 また,センササブセットを分離してシステム固有の劣化をモデル化する手法であるインジケータグループを提案し,新しい手法であるI-GLIDEを提案する。
• 参考スコア（独自算出の注目度）: 1.034052616244602
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate remaining useful life (RUL) prediction hinges on the quality of health indicators (HIs), yet existing methods often fail to disentangle complex degradation mechanisms in multi-sensor systems or quantify uncertainty in HI reliability. This paper introduces a novel framework for HI construction, advancing three key contributions. First, we adapt Reconstruction along Projected Pathways (RaPP) as a health indicator (HI) for RUL prediction for the first time, showing that it outperforms traditional reconstruction error metrics. Second, we show that augmenting RaPP-derived HIs with aleatoric and epistemic uncertainty quantification (UQ) via Monte Carlo dropout and probabilistic latent spaces- significantly improves RUL-prediction robustness. Third, and most critically, we propose indicator groups, a paradigm that isolates sensor subsets to model system-specific degradations, giving rise to our novel method, I-GLIDE which enables interpretable, mechanism-specific diagnostics. Evaluated on data sourced from aerospace and manufacturing systems, our approach achieves marked improvements in accuracy and generalizability compared to state-of-the-art HI methods while providing actionable insights into system failure pathways. This work bridges the gap between anomaly detection and prognostics, offering a principled framework for uncertainty-aware degradation modeling in complex systems.
• Abstract（参考訳）: 正確な有効寿命予測(RUL)は、健康指標(HIs)の品質に依存するが、既存の方法は、マルチセンサーシステムにおける複雑な劣化メカニズムを解き放つことや、HI信頼性の不確実性を定量化するのに失敗する。 本稿では、HI構築のための新しいフレームワークを紹介し、3つの重要な貢献を推し進める。 まず、RUL予測の健康指標(HI)としてプロジェクテッド・パスウェイズ(RaPP)に沿って再構成を行い、従来の再構成誤差指標よりも優れていることを示す。 第2に,RaPP由来HIsをモンテカルロ液滴法および確率的潜伏空間を介して拡張することにより,RUL予測ロバスト性を大幅に向上させることを示した。 第3に,センササブセットからシステム固有の劣化をモデル化するためのパラダイムであるインジケータグループを提案する。 航空機や製造システムから得られたデータを基に評価し,現状のHI法と比較して精度と一般化性が向上し,システム障害経路に関する実用的な知見が得られた。 この研究は異常検出と予後学のギャップを埋め、複雑なシステムにおける不確実性を考慮した劣化モデリングのための原則的なフレームワークを提供する。

関連論文リスト

• AI-Generated Image Detection: An Empirical Study and Future Research Directions [6.891145787446519]
  AIが生成するメディア、特にディープフェイクによって引き起こされる脅威は、鑑識にとって重大な課題を提起している。 いくつかの法医学的手法が提案され、それらは3つの重大なギャップに悩まされている。 これらの制限は、公正な比較、曖昧な真の堅牢性、およびセキュリティクリティカルなアプリケーションのデプロイメントを制限する。
  論文  参考訳（メタデータ） (2025-11-04T18:13:48Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Rethinking Evaluation of Infrared Small Target Detection [105.59753496831739]
  本稿では,画素レベルと目標レベルのパフォーマンスを取り入れたハイブリッドレベルのメトリクスを導入し,システム的エラー解析手法を提案し,クロスデータセット評価の重要性を強調した。 標準化されたベンチマークを容易にするオープンソースツールキットがリリースされた。
  論文  参考訳（メタデータ） (2025-09-21T02:45:07Z)
• Optimized Spectral Fault Receptive Fields for Diagnosis-Informed Prognosis [8.719982934025415]
  SFRF(Spectral Fault Receptive Fields)は, 断層診断における劣化状態の評価手法である。 SFRFは、特性欠陥周波数を中心とした対角スペクトルフィルタとして設計されている。 多目的進化最適化戦略は、受容場パラメータを調整するために用いられる。
  論文  参考訳（メタデータ） (2025-06-14T07:12:56Z)
• Predictive Uncertainty Quantification for Bird's Eye View Segmentation: A Benchmark and Novel Loss Function [10.193504550494486]
  本稿では,Bird's Eye View (BEV)セグメンテーションにおける予測不確実性定量化のためのベンチマークを提案する。 本研究は,非分類および非分布画素の検出における定量化不確実性の有効性に焦点をあてる。 本研究では,不均衡なデータに特化して設計された新しい損失関数Uncertainty-Focal-Cross-Entropy (UFCE)を提案する。
  論文  参考訳（メタデータ） (2024-05-31T16:32:46Z)
• Health Index Estimation Through Integration of General Knowledge with Unsupervised Learning [0.0]
  複雑なシステムにおいて、状態監視データ(CM)から正確な健康指標(HI)を推定することは、信頼性と解釈可能な予後および健康管理(PHM)に不可欠である。 本研究では,畳み込みオートエンコーダのモデルアーキテクチャと学習アルゴリズムに,劣化に関する一般的な知識を統合したHI推定のための教師なしハイブリッド手法を提案する。
  論文  参考訳（メタデータ） (2024-05-08T11:54:15Z)
• Semi-Supervised Health Index Monitoring with Feature Generation and Fusion [7.387226437589184]
  健康指数(HI)は、システムの健康を評価するために重要であり、異常検出や安全クリティカルシステムに対する有用寿命(RUL)の予測といったタスクに重要である。 本研究では,Deep Semi-supervised Anomaly Detection (DeepSAD) を組み込んで,システムの健康状態に関連する特徴の抽出に挑戦する。 また, 等方性制約を持つ交互投影アルゴリズムを適用し, 埋め込みを正規化HIに変換する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-05T16:27:51Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。