論文の概要: A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization

• arxiv url: http://arxiv.org/abs/2603.06962v1
• Date: Sat, 07 Mar 2026 00:49:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-10 15:13:13.502383
• Title: A SISA-based Machine Unlearning Framework for Power Transformer Inter-Turn Short-Circuit Fault Localization
• Title（参考訳）: 電源変圧器間短絡故障位置推定のためのSISAに基づく機械学習フレームワーク
• Authors: Nanhong Liu, Jingyi Yan, Mucun Sun, Jie Zhang,
• Abstract要約: 本稿では,電力変圧器のオンターン短絡故障(ITSCF)局在化のためのフレームワークを提案する。 SISAメソッドはトレーニングデータをシャードとスライスに分割し、各データポイントの影響を分離する。 シミュレーションした ITSCF 条件の実験により,提案手法は完全再トレーニングとほぼ同一の診断精度を達成できることを示した。
• 参考スコア（独自算出の注目度）: 3.5962288595735896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In practical data-driven applications on electrical equipment fault diagnosis, training data can be poisoned by sensor failures, which can severely degrade the performance of machine learning (ML) models. However, once the ML model has been trained, removing the influence of such harmful data is challenging, as full retraining is both computationally intensive and time-consuming. To address this challenge, this paper proposes a SISA (Sharded, Isolated, Sliced, and Aggregated)-based machine unlearning (MU) framework for power transformer inter-turn short-circuit fault (ITSCF) localization. The SISA method partitions the training data into shards and slices, ensuring that the influence of each data point is isolated within specific constituent models through independent training. When poisoned data are detected, only the affected shards are retrained, avoiding retraining the entire model from scratch. Experiments on simulated ITSCF conditions demonstrate that the proposed framework achieves almost identical diagnostic accuracy to full retraining, while reducing retraining time significantly.
• Abstract（参考訳）: 電気機器故障診断の実践的データ駆動アプリケーションでは、センサ故障によってトレーニングデータが汚染され、機械学習(ML)モデルの性能が著しく低下する可能性がある。 しかし、一度MLモデルが訓練されると、そのような有害なデータの影響を取り除くことは困難であり、完全な再トレーニングは計算集約的かつ時間を要する。 この課題に対処するために,電力変圧器を用いた短絡故障(ITSCF)ローカライゼーションのためのSISA(Sharded, Isolated, Sliced, Aggregated)ベースの機械学習フレームワークを提案する。 SISA法はトレーニングデータをシャードとスライスに分割し、個々のデータポイントの影響を独立したトレーニングを通じて特定の構成モデル内で分離する。 有毒なデータが検出されると、影響を受けるシャードのみが再トレーニングされ、モデル全体をスクラッチから再トレーニングするのを避ける。 シミュレーションした ITSCF 条件の実験により,提案手法は完全再トレーニングとほぼ同一の診断精度を達成し,再トレーニング時間を大幅に短縮することを示した。

関連論文リスト

• Cutting Through the Noise: On-the-fly Outlier Detection for Robust Training of Machine Learning Interatomic Potentials [0.6999740786886536]
  そこで本研究では,新たな基準計算を必要とせず,ノイズの多いサンプルを自動的にダウンウェイトするオンザフライ異常検出手法を提案する。 提案手法は,繰り返し改良ベースラインの性能の過度な適合を防止し,オーバーヘッドを大幅に低減することを示す。 本研究では,SPICEデータセット上で有機化学の基礎モデルをトレーニングすることにより,そのスケーラビリティを検証し,エネルギーエラーを3倍に削減する。
  論文  参考訳（メタデータ） (2026-02-09T16:16:22Z)
• A Multi-Criteria Automated MLOps Pipeline for Cost-Effective Cloud-Based Classifier Retraining in Response to Data Distribution Shifts [0.0]
  機械学習(ML)モデルの性能は、基礎となるデータ分布が時間とともに変化すると劣化することが多い。 MLOps(ML Operations)はしばしば手動であり、人間はモデルの再訓練と再デプロイのプロセスをトリガーする。 本稿では,データ分散の大幅な変化に応じて,ニューラルネットワークの再トレーニングに対処する自動MLOpsパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-12-12T13:22:14Z)
• Unsupervised Multi-Attention Meta Transformer for Rotating Machinery Fault Diagnosis [4.9825074884178955]
  少数ショット非教師あり回転機械故障診断(MMT-FD)のためのマルチアテンション・メタトランス法を提案する。 このフレームワークは、ラベルのないデータから潜在的なフォールト表現を抽出し、強力な一般化能力を示す。 モデルは、少数の対照的な学習イテレーションを使用して反復的に最適化され、高い効率をもたらす。
  論文  参考訳（メタデータ） (2025-09-11T08:35:43Z)
• Towards Robust Surrogate Models: Benchmarking Machine Learning Approaches to Expediting Phase Field Simulations of Brittle Fracture [0.0]
  フラクチャーモデリングのためのML手法のベンチマークと進歩を目的としたPFMシミュレーションに基づくデータセットを提案する。 このデータセットには3つのエネルギー分解方法、2つの境界条件、合計6,000のシミュレーションのための1000のランダムな初期き裂構成が含まれている。 本研究は, フラクチャーメカニクス研究における機械学習の進歩のためのテストベッドとして, このデータセットの有用性を実証するものである。
  論文  参考訳（メタデータ） (2025-07-09T19:14:56Z)
• AdvKT: An Adversarial Multi-Step Training Framework for Knowledge Tracing [64.79967583649407]
  知識追跡(KT)は、学生の知識状態を監視し、質問シーケンスに対する反応をシミュレートする。 既存のKTモデルは通常、単一ステップのトレーニングパラダイムに従っており、大きなエラーの蓄積につながる。 本稿では,多段階KTタスクに着目した新しい知識追跡のための多段階学習フレームワーク(AdvKT)を提案する。
  論文  参考訳（メタデータ） (2025-04-07T03:31:57Z)
• Data Quality Monitoring for the Hadron Calorimeters Using Transfer Learning for Anomaly Detection [0.7767589715518638]
  トランスファーラーニング(TL)メカニズムは、新しいタスクに事前訓練されたモデルを利用することで、データのスパーシリティとモデルの複雑さを軽減することを約束する。 畳み込み,グラフ,リカレントニューラルネットワークを組み込んだハイブリッドオートエンコーダアーキテクチャを用いて,高次元ST ADにおけるTLの可能性を示す。 本研究では,CERNにおけるコンパクト・ムーン・ソレノイド実験のキャロリメータの異なる部位で訓練されたモデルの伝達性について検討した。
  論文  参考訳（メタデータ） (2024-08-29T15:19:06Z)
• Fast Machine Unlearning Without Retraining Through Selective Synaptic Dampening [51.34904967046097]
  Selective Synaptic Dampening (SSD)は高速で、訓練データの長期保存を必要としない。 高速で性能が高く,トレーニングデータの長期保存を必要としない,新しい2段階のポストホック,リトレーニングフリーなマシンアンラーニング手法を提案する。
  論文  参考訳（メタデータ） (2023-08-15T11:30:45Z)
• SAFE: Machine Unlearning With Shard Graphs [100.12621304361288]
  本稿では,大規模モデルを多種多様なデータ集合に適応させる手法であるSynergy Aware Forgetting Ensemble (SAFE)を提案する。 SAFEは軽量なアダプタシステムを使用し、ほとんどの計算を再利用しながらトレーニングすることができる。 これにより、SAFEは現在の最先端の方法よりも小さなシャードの順序でトレーニングすることができる。
  論文  参考訳（メタデータ） (2023-04-25T22:02:09Z)
• Time-sensitive Learning for Heterogeneous Federated Edge Intelligence [52.83633954857744]
  フェデレーションエッジインテリジェンス(FEI)システムにおけるリアルタイム機械学習について検討する。 FEIシステムは異種通信と計算資源分布を示す。 本稿では,共有MLモデルの協調学習における全体の実行時間を最小化するために,時間依存型フェデレーションラーニング(TS-FL)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-26T08:13:22Z)

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。