論文の概要: Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System

• arxiv url: http://arxiv.org/abs/2601.18897v1
• Date: Mon, 26 Jan 2026 19:10:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-28 15:26:51.030063
• Title: Explainable Uncertainty Quantification for Wastewater Treatment Energy Prediction via Interval Type-2 Neuro-Fuzzy System
• Title（参考訳）: インターバル型2ニューロファジィシステムによる排水処理エネルギー予測のための説明不能な不確かさの定量化
• Authors: Qusai Khaled, Bahjat Mallak, Uzay Kaymak, Laura Genga,
• Abstract要約: 本研究は,ファジィ規則構造を介して解釈可能な予測間隔を生成するインターバルタイプ2適応型ニューロファジィ推論システム(IT2-ANFIS)を開発した。 IT2-ANFISは、トレーニング実行間のばらつきを著しく低減した第1次ANFISに匹敵する予測性能を達成する。
• 参考スコア（独自算出の注目度）: 2.5274064055508174
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Wastewater treatment plants consume 1-3% of global electricity, making accurate energy forecasting critical for operational optimization and sustainability. While machine learning models provide point predictions, they lack explainable uncertainty quantification essential for risk-aware decision-making in safety-critical infrastructure. This study develops an Interval Type-2 Adaptive Neuro-Fuzzy Inference System (IT2-ANFIS) that generates interpretable prediction intervals through fuzzy rule structures. Unlike black-box probabilistic methods, the proposed framework decomposes uncertainty across three levels: feature-level, footprint of uncertainty identify which variables introduce ambiguity, rule-level analysis reveals confidence in local models, and instance-level intervals quantify overall prediction uncertainty. Validated on Melbourne Water's Eastern Treatment Plant dataset, IT2-ANFIS achieves comparable predictive performance to first order ANFIS with substantially reduced variance across training runs, while providing explainable uncertainty estimates that link prediction confidence directly to operational conditions and input variables.
• Abstract（参考訳）: 排水処理工場は地球規模の電力の1～3%を消費し、運用最適化と持続可能性のために正確なエネルギー予測を重要視している。 機械学習モデルはポイント予測を提供するが、安全クリティカルなインフラにおけるリスクを意識した意思決定に必要な、説明可能な不確実性定量化は欠如している。 本研究は,ファジィ規則構造を介して解釈可能な予測間隔を生成するインターバルタイプ2適応型ニューロファジィ推論システム(IT2-ANFIS)を開発した。 ブラックボックスの確率的手法とは異なり、提案手法は特徴レベル、不確かさのフットプリント、どの変数があいまいさを導入するか、ルールレベル分析は局所モデルに自信を示し、インスタンスレベル間隔は全体の予測不確かさを定量化する。 メルボルンの東部処理プラントデータセットで検証されたIT2-ANFISは、トレーニング実行間のばらつきを大幅に低減したANFISに匹敵する予測性能を達成し、運用条件や入力変数に直接予測信頼性をリンクする説明可能な不確実性推定を提供する。

関連論文リスト

• RIPCN: A Road Impedance Principal Component Network for Probabilistic Traffic Flow Forecasting [29.01605113478814]
  PTFFのための時間的主成分学習とドメイン固有の輸送理論を統合した道路インピーダンス主成分ネットワークであるRIPCNを提案する。 RIPCNは、渋滞レベルと流動変動によって引き起こされる交通伝達パターンをキャプチャし、不確実性の直接的な原因を明らかにし、信頼性と解釈可能性の両方を高める。
  論文  参考訳（メタデータ） (2025-12-25T14:08:50Z)
• Probabilistic Modeling of Disparity Uncertainty for Robust and Efficient Stereo Matching [61.73532883992135]
  本稿では,新しい不確実性を考慮したステレオマッチングフレームワークを提案する。 我々はベイズリスクを不確実性の測定として採用し、データを別々に見積もり、不確実性をモデル化する。
  論文  参考訳（メタデータ） (2024-12-24T23:28:20Z)
• Ensemble Neural Networks for Remaining Useful Life (RUL) Prediction [0.39287497907611874]
  メンテナンス計画の中核となる部分は、健康と劣化に関する優れた予後を提供する監視システムである。 本稿では,確率論的RUL予測のためのアンサンブルニューラルネットワークを提案する。 この方法はNASAのターボファンジェットエンジンであるCMAPSSのデータセットで試験される。
  論文  参考訳（メタデータ） (2023-09-21T19:38:44Z)
• Quantification of Predictive Uncertainty via Inference-Time Sampling [57.749601811982096]
  本稿では,データあいまいさの予測不確実性を推定するためのポストホックサンプリング手法を提案する。 この方法は与えられた入力に対して異なる可算出力を生成することができ、予測分布のパラメトリック形式を仮定しない。
  論文  参考訳（メタデータ） (2023-08-03T12:43:21Z)
• DiffLoad: Uncertainty Quantification in Electrical Load Forecasting with the Diffusion Model [22.428737156882708]
  再生可能エネルギー源の統合と、新型コロナウイルスのパンデミックなどの外部イベントの発生により、負荷予測の不確実性が急速に高まっている。 本稿では, エピステミック不確かさを推定するための拡散型Seq2Seq構造を提案し, 強靭性付加コーシー分布を用いてアレタリック不確かさを推定する。
  論文  参考訳（メタデータ） (2023-05-31T05:04:50Z)
• Uncertainty Quantification for Traffic Forecasting: A Unified Approach [21.556559649467328]
  不確実性は時系列予測タスクに不可欠な考慮事項である。 本研究では,交通予測の不確かさの定量化に焦点をあてる。 STUQ(Deep S-Temporal Uncertainity Quantification)を開発した。
  論文  参考訳（メタデータ） (2022-08-11T15:21:53Z)
• Dense Uncertainty Estimation via an Ensemble-based Conditional Latent Variable Model [68.34559610536614]
  我々は、アレータリック不確実性はデータの固有の特性であり、偏見のないオラクルモデルでのみ正確に推定できると論じる。 そこで本研究では,軌道不確実性推定のためのオラクルモデルを近似するために,列車時の新しいサンプリングと選択戦略を提案する。 以上の結果から,提案手法は精度の高い決定論的結果と確実な不確実性推定の両方を達成できることが示唆された。
  論文  参考訳（メタデータ） (2021-11-22T08:54:10Z)
• Dense Uncertainty Estimation [62.23555922631451]
  本稿では,ニューラルネットワークと不確実性推定手法について検討し,正確な決定論的予測と確実性推定の両方を実現する。 本研究では,アンサンブルに基づく手法と生成モデルに基づく手法の2つの不確実性推定法について検討し,それらの長所と短所を,完全/半端/弱度に制御されたフレームワークを用いて説明する。
  論文  参考訳（メタデータ） (2021-10-13T01:23:48Z)
• DEUP: Direct Epistemic Uncertainty Prediction [56.087230230128185]
  認識の不確実性は、学習者の知識の欠如によるサンプル外の予測エラーの一部である。 一般化誤差の予測を学習し, aleatoric uncertaintyの推定を減算することで, 認識的不確かさを直接推定する原理的アプローチを提案する。
  論文  参考訳（メタデータ） (2021-02-16T23:50:35Z)
• Uncertainty Estimation and Calibration with Finite-State Probabilistic RNNs [29.84563789289183]
  不確かさの定量化は、信頼性と信頼性のある機械学習システムを構築するために不可欠である。 本稿では、リカレントニューラルネットワーク(RNN)における離散状態遷移による不確実性の推定を提案する。 モデルの不確実性は、繰り返し状態遷移分布からサンプリングするたびに、予測を数回実行することで定量化することができる。
  論文  参考訳（メタデータ） (2020-11-24T10:35:28Z)
• Discriminative Jackknife: Quantifying Uncertainty in Deep Learning via Higher-Order Influence Functions [121.10450359856242]
  我々は、モデル損失関数の影響関数を利用して、予測信頼区間のジャックニフェ(または、アウト・ワン・アウト)推定器を構築する頻繁な手順を開発する。 1)および(2)を満たすDJは、幅広いディープラーニングモデルに適用可能であり、実装が容易であり、モデルトレーニングに干渉したり、精度を妥協したりすることなく、ポストホックな方法で適用することができる。
  論文  参考訳（メタデータ） (2020-06-29T13:36:52Z)

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。