論文の概要: Neuro-symbolic AI for Predictive Maintenance (PdM) -- review and recommendations

• arxiv url: http://arxiv.org/abs/2602.00731v1
• Date: Sat, 31 Jan 2026 13:47:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:33.361487
• Title: Neuro-symbolic AI for Predictive Maintenance (PdM) -- review and recommendations
• Title（参考訳）: 予測保守のためのニューロシンボリックAI -- レビューとレコメンデーション
• Authors: Kyle Hamilton, Ali Intizar,
• Abstract要約: 我々は過去5年間に予測保守(PdM)の現状を体系的に検討してきた。 ディープラーニングに基づくデータ駆動手法は、従来の知識ベースシステムよりも高精度である。 我々は、より正確で説明可能な、解釈可能な、堅牢なシステムを構築するために、ハイブリッドアプローチをさらに推進し、ディープラーニングを記号論理(Neuro-symbolic AI)と統合することを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this document we perform a systematic review the State-of-the-art in Predictive Maintenance (PdM) over the last five years in industrial settings such as commercial buildings, pharmaceutical facilities, or semi-conductor manufacturing. In general, data-driven methods such as those based on deep learning, exhibit higher accuracy than traditional knowledge-based systems. These systems however, are not without significant limitations. The need for large labeled data sets, a lack of generalizibility to new environments (out-of-distribution generalization), and a lack of transparency at inference time are some of the obstacles to adoption in real world environments. In contrast, traditional approaches based on domain expertise in the form of rules, logic or first principles suffer from poor accuracy, many false positives and a need for ongoing expert supervision and manual tuning. While the majority of approaches in recent literature utilize some form of data-driven architecture, there are hybrid systems which also take into account domain specific knowledge. Such hybrid systems have the potential to overcome the weaknesses of either approach on its own while preserving their strengths. We propose taking the hybrid approach even further and integrating deep learning with symbolic logic, or Neuro-symbolic AI, to create more accurate, explainable, interpretable, and robust systems. We describe several neuro-symbolic architectures and examine their strengths and limitations within the PdM domain. We focus specifically on methods which involve the use of sensor data and manually crafted rules as inputs by describing concrete NeSy architectures. In short, this survey outlines the context of modern maintenance, defines key concepts, establishes a generalized framework, reviews current modeling approaches and challenges, and introduces the proposed focus on Neuro-symbolic AI (NESY).
• Abstract（参考訳）: 本報告では, 商業ビル, 製薬施設, セミコンダクタ製造などの産業環境における過去5年間の予測保守技術(PdM)について, 体系的に検討する。 一般に、ディープラーニングに基づくデータ駆動手法は、従来の知識ベースシステムよりも高精度である。 しかし、これらのシステムには大きな制限はない。 大規模ラベル付きデータセットの必要性、新しい環境への一般化性の欠如(アウト・オブ・ディストリビューションの一般化)、推論時の透明性の欠如は、現実の環境での採用の障害となっている。 対照的に、ルール、ロジック、または第一原則という形式でのドメインの専門性に基づく従来のアプローチは、精度の低下、多くの偽陽性、そして進行中の専門家の監督とマニュアルのチューニングの必要性に悩まされている。 最近の文献では、ほとんどのアプローチはデータ駆動アーキテクチャの形式を利用しているが、ドメイン固有の知識を考慮に入れたハイブリッドシステムもある。 このようなハイブリッドシステムは、その強みを保ちながら、いずれのアプローチの弱点を単独で克服する可能性がある。 我々は、より正確で説明可能な、解釈可能な、堅牢なシステムを構築するために、ハイブリッドアプローチをさらに推進し、ディープラーニングを記号論理(Neuro-symbolic AI)と統合することを提案する。 ニューロシンボリックアーキテクチャをいくつか記述し、PdMドメインの強さと限界について検討する。 具体的には,具体的なNeSyアーキテクチャを記述することで,センサデータの利用やルールを入力として手作業で作成する手法に着目する。 要約すると、この調査は、現代的メンテナンスの状況の概要を概説し、鍵となる概念を定義し、一般化されたフレームワークを確立し、現在のモデリングアプローチと課題をレビューし、提案されているニューロシンボリックAI(NESY)に焦点を当てる。

関連論文リスト

• Agentic AI Systems in Electrical Power Systems Engineering: Current State-of-the-Art and Challenges [6.837830206986645]
  エージェントAIシステムは、人工知能において批判的で変革的なアプローチとして登場した。 本稿では,「エージェントAI」の正確な定義と分類について述べる。 本論文では,電気工学を専門とする4つの応用事例について述べる。
  論文  参考訳（メタデータ） (2025-11-18T13:18:43Z)
• Agentic AI: A Comprehensive Survey of Architectures, Applications, and Future Directions [10.453339156813852]
  エージェントAIは、人工知能の変革的な変化を表している。 その急速な進歩は断片的な理解をもたらし、しばしば時代遅れの記号モデルと現代の神経システムを融合させた。 この調査では、エージェントシステムを2つの異なる系統に分類する、新しいデュアルパラダイムフレームワークを紹介した。
  論文  参考訳（メタデータ） (2025-10-29T12:11:34Z)
• Rethinking Data Protection in the (Generative) Artificial Intelligence Era [138.07763415496288]
  現代の(生産的な)AIモデルやシステムに生じる多様な保護ニーズを捉える4段階の分類法を提案する。 当社のフレームワークは、データユーティリティとコントロールのトレードオフに関する構造化された理解を提供し、AIパイプライン全体にわたっています。
  論文  参考訳（メタデータ） (2025-07-03T02:45:51Z)
• Assured Autonomy with Neuro-Symbolic Perception [11.246557832016238]
  サイバー物理システム(CPS)にデプロイされる最先端AIモデルの多くは、パターンマッチングである。 セキュリティの保証が限られているため、安全クリティカルなドメインと競合するドメインの信頼性が懸念される。 本稿では,データ駆動型知覚モデルにシンボル構造を付与するパラダイムシフトを提案する。
  論文  参考訳（メタデータ） (2025-05-27T15:21:06Z)
• Interpretable Concept-based Deep Learning Framework for Multimodal Human Behavior Modeling [5.954573238057435]
  EUの一般データ保護規則は、リスクの高いAIシステムが十分に解釈可能であることを要求している。 既存の説明可能なメソッドは、しばしば解釈可能性とパフォーマンスを妥協する。 我々は、新しく一般化可能なフレームワーク、すなわち注意誘導概念モデル(AGCM)を提案する。 AGCMは、予測につながる概念とそれらがどこに観察されるかを特定することによって、学習可能な概念的な説明を提供する。
  論文  参考訳（メタデータ） (2025-02-14T13:15:21Z)
• Core and Periphery as Closed-System Precepts for Engineering General Intelligence [62.997667081978825]
  AIシステムの入力が出力から独立するかどうかは不明であり、従ってAIシステムが従来のコンポーネントとして扱われるかどうかは不明である。 本稿では, 工学的汎用知能は, コアと周辺と呼ばれる, 新たな汎用システム規範を必要とすることを示唆する。
  論文  参考訳（メタデータ） (2022-08-04T18:20:25Z)
• Neuro-symbolic Architectures for Context Understanding [59.899606495602406]
  本稿では,データ駆動型アプローチと知識駆動型アプローチの強みを組み合わせたフレームワークとして,ハイブリッドAI手法を提案する。 具体的には、知識ベースを用いて深層ニューラルネットワークの学習過程を導く方法として、ニューロシンボリズムの概念を継承する。
  論文  参考訳（メタデータ） (2020-03-09T15:04:07Z)

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。