論文の概要: Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems

• arxiv url: http://arxiv.org/abs/2601.11423v1
• Date: Fri, 16 Jan 2026 16:44:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.564389
• Title: Noisy Analysis of Quantum SMOTE on Condition Monitoring and Fault Classification in Industrial and Energy Systems
• Title（参考訳）: 産業・エネルギーシステムにおける状態モニタリングと故障分類における量子SMOTEのノイズ解析
• Authors: Amit S. Patel, Himanshukumar R. Patel, Bikash K. Behera,
• Abstract要約: 不均衡機械学習モデルは、産業状況の監視と故障分類パイプラインにおける根本的な問題である。 この研究は、クラス不均衡緩和の下での古典的分類器の詳細なベンチマークと調査を示す。 その結果,QSMOTEは分布スキューを一貫して補正し,非線形分類器の性能を大幅に向上させることがわかった。
• 参考スコア（独自算出の注目度）: 0.5505634045241289
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Imbalanced datasets are a fundamental issue in industrial condition monitoring and fault classification pipelines, causing classical machine learning models to overfit the majority classes while failing to learn the minority fault patterns. This work presents a detailed benchmarking and robustness investigation of classical classifiers under class imbalance mitigation using the Quantum Synthetic Minority Oversampling Technique (QSMOTE) and quantum-inspired perturbations modelled using six noise channels. Four different datasets, the Solar Panel Image Dataset (SPID), the CWRU Bearing Dataset (CWRUBD), the Engine Failure Detection Dataset (EFDD), and the Industrial Fault Detection Dataset (IFDD), are tested across multi-class scenarios to determine the universality of these impacts. The results show that QSMOTE consistently corrects distributional skew and significantly enhances the performance of non-linear classifiers such as Random Forests (RF), Support Vector Machines (SVM), and Decision Trees (DT), yielding improvements of up to 170% on EFDD and achieving near-perfect accuracy ($\geq$0.99) on IFDD. Linear and probabilistic models, such as Linear Regression (LR) and Naive Bayes (NB), produce mixed results, with significant degradation in overlapping feature spaces due to interpolation-induced boundary distortion. A parallel robustness analysis under different noise models reveals that ensemble models (RF) and margin-based learners (SVM) maintain strong resilience, often preserving over 95% of baseline accuracy even under maximum noise. In contrast, NB and DT show substantial instability, especially on high-variance datasets. The findings establish a rigorous baseline for understanding how classical models behave under realistic imbalance and quantum-inspired noise.
• Abstract（参考訳）: 不均衡データセットは、産業状態の監視と障害分類パイプラインにおける根本的な問題であり、古典的な機械学習モデルは、少数派のフォールトパターンを学ばないまま、大多数のクラスに過度に適合する。 本研究では、量子合成マイノリティオーバーサンプリング技術(QSMOTE)と6つのノイズチャネルを用いてモデル化された量子インスパイアされた摂動を用いた古典的分類器の詳細なベンチマークとロバスト性調査を行う。 4つの異なるデータセット、Solar Panel Image Dataset (SPID)、CWRU Bearing Dataset (CWRUBD)、Engine Failure Detection Dataset (EFDD)、Industrial Fault Detection Dataset (IFDD) が、これらの影響の普遍性を決定するために複数のクラスでテストされている。 その結果、QSMOTEは分布スキューを一貫して補正し、ランダムフォレスト(RF)、サポートベクターマシン(SVM)、決定木(DT)などの非線形分類器の性能を大幅に向上し、EFDDでは最大170%改善し、IFDDではほぼ完璧な精度(\geq$0.99)を実現した。 線形回帰 (LR) やネイブベイズ (NB) のような線形および確率的モデルでは、補間誘起境界歪みにより重なり合う特徴空間が著しく劣化する混合結果が得られる。 異なるノイズモデルの下での並列ロバスト性解析により、アンサンブルモデル(RF)とマージンベースラーナー(SVM)が強いレジリエンスを維持し、最大雑音下でも95%以上のベースライン精度を保っていることが明らかとなった。 対照的に、NBとDTは、特に高分散データセットにおいて、かなり不安定である。 この発見は、古典的なモデルが現実的な不均衡と量子インスパイアされたノイズの下でどのように振る舞うかを理解するための厳密なベースラインを確立する。

関連論文リスト

• Robustness of Probabilistic Models to Low-Quality Data: A Multi-Perspective Analysis [23.834741751854448]
  低品質データの効果に関する体系的な比較研究は、現代の確率モデルにまたがる頑健性のスペクトルを明らかにしている。 トークン予測からシーケンス・ツー・シーケンス・タスクに至るまで,自動回帰言語モデルは極めてレジリエンスであることがわかった。 同じレベルのデータ破損の下で、クラス条件拡散モデルは破滅的に劣化する。
  論文  参考訳（メタデータ） (2025-12-11T02:10:41Z)
• Dual-granularity Sinkhorn Distillation for Enhanced Learning from Long-tailed Noisy Data [67.25796812343454]
  ディープラーニングのための実世界のデータセットは、クラス不均衡とラベルノイズの共起的な課題にしばしば悩まされる。 蒸留と相補的な知見の統合により二重強靭性を高める新しいフレームワークであるD-SINKを提案する。 ベンチマークデータセットの実験では、D-SINKはロバスト性を大幅に向上し、長い尾のノイズデータから学習する際の強い経験的性能を達成することが示された。
  論文  参考訳（メタデータ） (2025-10-09T13:05:27Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Physics-Informed Multimodal Bearing Fault Classification under Variable Operating Conditions using Transfer Learning [0.46085106405479537]
  本研究では,物理インフォームド・マルチモーダル畳み込みニューラルネットワーク (CNN) とレイトフュージョンアーキテクチャを提案する。 このモデルには、物理的に不可解な予測をペナルティ化する、新しい物理インフォームド・ロス関数が組み込まれている。 パーダーボーン大学のデータセットの実験では、提案された物理学的インフォームドアプローチが、非物理学的インフォームドベースラインを一貫して上回ることを示した。
  論文  参考訳（メタデータ） (2025-08-11T01:32:09Z)
• Enhancing Crash Frequency Modeling Based on Augmented Multi-Type Data by Hybrid VAE-Diffusion-Based Generative Neural Networks [25.772405506451204]
  衝突頻度モデリングにおける重要な課題は、過剰なゼロ観測の頻度である。 我々は、ゼロ観測を減らすために、ハイブリッドなVAE拡散ニューラルネットワークを提案する。 我々は、類似性、正確性、多様性、構造的整合性といった指標を用いて、このモデルによって生成された合成データ品質を評価する。
  論文  参考訳（メタデータ） (2025-01-17T07:53:27Z)
• 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)
• Impact of Noisy Supervision in Foundation Model Learning [91.56591923244943]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)

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。