論文の概要: Developing Distance-Aware Uncertainty Quantification Methods in Physics-Guided Neural Networks for Reliable Bearing Health Prediction

• arxiv url: http://arxiv.org/abs/2512.08499v1
• Date: Tue, 09 Dec 2025 11:30:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-10 22:28:07.935141
• Title: Developing Distance-Aware Uncertainty Quantification Methods in Physics-Guided Neural Networks for Reliable Bearing Health Prediction
• Title（参考訳）: 物理誘導型ニューラルネットワークを用いた信頼性ベアリングヘルス予測のための距離認識不確実性定量法の開発
• Authors: Waleed Razzaq, Yun-Bo Zhao,
• Abstract要約: 決定論的物理誘導ニューラルネットワークのための距離認識不確実性法を2つ導入する。 隠れた層にスペクトル正規化を適用し、入力から潜伏空間までの距離を保存する。 PronoSTIAデータセットを用いた転がり軸受劣化試験を行い,モンテカルロおよびディープエンサンブルPGNNと比較した。
• 参考スコア（独自算出の注目度）: 2.312232949770907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate and uncertainty-aware degradation estimation is essential for predictive maintenance in safety-critical systems like rotating machinery with rolling-element bearings. Many existing uncertainty methods lack confidence calibration, are costly to run, are not distance-aware, and fail to generalize under out-of-distribution data. We introduce two distance-aware uncertainty methods for deterministic physics-guided neural networks: PG-SNGP, based on Spectral Normalization Gaussian Process, and PG-SNER, based on Deep Evidential Regression. We apply spectral normalization to the hidden layers so the network preserves distances from input to latent space. PG-SNGP replaces the final dense layer with a Gaussian Process layer for distance-sensitive uncertainty, while PG-SNER outputs Normal Inverse Gamma parameters to model uncertainty in a coherent probabilistic form. We assess performance using standard accuracy metrics and a new distance-aware metric based on the Pearson Correlation Coefficient, which measures how well predicted uncertainty tracks the distance between test and training samples. We also design a dynamic weighting scheme in the loss to balance data fidelity and physical consistency. We test our methods on rolling-element bearing degradation using the PRONOSTIA dataset and compare them with Monte Carlo and Deep Ensemble PGNNs. Results show that PG-SNGP and PG-SNER improve prediction accuracy, generalize reliably under OOD conditions, and remain robust to adversarial attacks and noise.
• Abstract（参考訳）: 転動軸受を有する回転機械のような安全クリティカルシステムにおいて, 高精度かつ不確実性を考慮した劣化推定は, 予測保守に不可欠である。 既存の不確実性手法の多くは、信頼性の校正が欠如し、実行にコストがかかり、距離を意識せず、アウト・オブ・ディストリビューション・データの下での一般化に失敗している。 本稿では、スペクトル正規化ガウス過程に基づくPG-SNGPと、Deep Evidential Regressionに基づくPG-SNERという、決定論的物理誘導ニューラルネットワークのための2つの距離認識不確実性手法を提案する。 隠れ層にスペクトル正規化を適用し,入力から潜伏空間までの距離を保存する。 PG-SNGPは最終密度層をガウスプロセス層に置換し、PG-SNERは正規逆ガンマパラメータを出力し、コヒーレント確率形式で不確実性をモデル化する。 我々はPearson correlation Coefficientに基づく標準精度測定値と新しい距離認識測定値を用いて評価を行い、不確実性予測がテストとトレーニングサンプル間の距離をどれだけ正確に追跡しているかを測定した。 また、データの忠実度と物理的一貫性のバランスをとるために、動的重み付け方式を設計する。 PronoSTIAデータセットを用いた転がり軸受劣化試験を行い,モンテカルロおよびディープエンサンブルPGNNと比較した。 その結果,PG-SNGPとPG-SNERは予測精度を向上し,OOD条件下では確実に一般化し,敵の攻撃や騒音に対して頑健であることがわかった。

関連論文リスト

• A Conformal Prediction Framework for Uncertainty Quantification in Physics-Informed Neural Networks [0.9613011825024471]
  PINNはPDEを解決するための強力なフレームワークとして登場した。 既存のPINNに対する不確実な定量化アプローチは、一般的に厳密な統計的保証を欠いている。 PINNにおけるUQのための分布自由な共形予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-17T06:12:48Z)
• RF-BayesPhysNet: A Bayesian rPPG Uncertainty Estimation Method for Complex Scenarios [5.349703489635052]
  リモート光合成技術は、カメラを用いて顔の皮膚の微妙な色変化を捉え、心拍数を推定する。 測定精度は複雑なシナリオで著しく低下します ディープラーニングモデルは、しばしば測定の不確実性を無視し、ダイナミックなシーンにおける信頼性を制限する。
  論文  参考訳（メタデータ） (2025-04-04T20:24:57Z)
• Decoupling of neural network calibration measures [45.70855737027571]
  本稿では,AUSE(Area Under Sparsification Error curve)測定値に焦点をあてて,異なるニューラルネットワークキャリブレーション尺度の結合について検討する。 本稿では,現行の手法は自由度を保ち,安全クリティカルな機能のホモログ化のユニークなモデルを妨げると結論付けている。
  論文  参考訳（メタデータ） (2024-06-04T15:21:37Z)
• Enhancing Reliability of Neural Networks at the Edge: Inverted Normalization with Stochastic Affine Transformations [0.22499166814992438]
  インメモリコンピューティングアーキテクチャに実装されたBayNNのロバスト性と推論精度を本質的に向上する手法を提案する。 実証的な結果は推論精度の優雅な低下を示し、最大で58.11%の値で改善された。
  論文  参考訳（メタデータ） (2024-01-23T00:27:31Z)
• Gradient-Based Quantification of Epistemic Uncertainty for Deep Object Detectors [8.029049649310213]
  本稿では,新しい勾配に基づく不確実性指標を導入し,異なる物体検出アーキテクチャについて検討する。 実験では、真の肯定的/偽の正の判別と、結合上の交叉の予測において顕著な改善が示された。 また,モンテカルロのドロップアウト不確実性指標に対する改善や,さまざまな不確実性指標のソースを集約することで,さらなる大幅な向上が期待できる。
  論文  参考訳（メタデータ） (2021-07-09T16:04:11Z)
• Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
  既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。 これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。 我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-10T23:28:36Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。