論文の概要: Balancing Safety and Efficiency in Aircraft Health Diagnosis: A Task Decomposition Framework with Heterogeneous Long-Micro Scale Cascading and Knowledge Distillation-based Interpretability

• arxiv url: http://arxiv.org/abs/2603.22885v1
• Date: Tue, 24 Mar 2026 07:35:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-25 19:53:37.358953
• Title: Balancing Safety and Efficiency in Aircraft Health Diagnosis: A Task Decomposition Framework with Heterogeneous Long-Micro Scale Cascading and Knowledge Distillation-based Interpretability
• Title（参考訳）: 航空機の健康診断における安全性と効率のバランス:不均一な長期スケールカスケードと知識蒸留に基づく解釈性を備えたタスク分解フレームワーク
• Authors: Xinhang Chen, Zhihuan Wei, Yang Hu, Zhiguo Zeng, Kang Zeng, Suili Yang,
• Abstract要約: 本研究では,診断分解フレームワーク(DDF)を提案する。診断を異常検出(AD)と障害分類(FC)サブタスクに明示的に分離する。 分離されたトレーニングは"大規模サンプル軽量"と"小サンプル複合"の最適化パスを分離し、計算オーバーヘッドを大幅に削減する。
• 参考スコア（独自算出の注目度）: 4.310766886477047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Whole-aircraft diagnosis for general aviation faces threefold challenges: data uncertainty, task heterogeneity, and computational inefficiency. Existing end-to-end approaches uniformly model health discrimination and fault characterization, overlooking intrinsic receptive field conflicts between global context modeling and local feature extraction, while incurring prohibitive training costs under severe class imbalance. To address these, this study proposes the Diagnosis Decomposition Framework (DDF), explicitly decoupling diagnosis into Anomaly Detection (AD) and Fault Classification (FC) subtasks via the Long-Micro Scale Diagnostician (LMSD). Employing a "long-range global screening and micro-scale local precise diagnosis" strategy, LMSD utilizes Convolutional Tokenizer with Multi-Head Self-Attention (ConvTokMHSA) for global operational pattern discrimination and Multi-Micro Kernel Network (MMK Net) for local fault feature extraction. Decoupled training separates "large-sample lightweight" and "small-sample complex" optimization pathways, significantly reducing computational overhead. Concurrently, Keyness Extraction Layer (KEL) via knowledge distillation furnishes physically traceable explanations for two-stage decisions, materializing interpretability-by-design. Experiments on the NGAFID real-world aviation dataset demonstrate approximately 4-8% improvement in Multi-Class Weighted Penalty Metric (MCWPM) over baselines with substantially reduced training time, validating comprehensive advantages in task adaptability, interpretability, and efficiency. This provides a deployable methodology for general aviation health management.
• Abstract（参考訳）: 一般用途の航空診断は、データの不確実性、タスクの不均一性、計算の非効率性の3つの課題に直面している。 既存のエンド・ツー・エンドアプローチは、グローバルコンテキストモデリングと局所特徴抽出の内在的受容的フィールドの矛盾を克服しつつ、厳密なクラス不均衡の下で禁止的トレーニングコストを発生させながら、健康差別と障害の特性を均一にモデル化する。 そこで本研究では,診断分解フレームワーク (DDF) を提案する。このフレームワークは,診断を異常検出 (AD) と障害分類 (FC) のサブタスクに明示的に分離し,Long-Micro Scale Diagnostician (LMSD) を経由する。 LMSDは「長距離グローバルスクリーニングとマイクロスケール局所的精度診断」戦略を用いて、グローバルな運用パターン識別にマルチヘッド自己注意(ConvTokMHSA)を備えた畳み込みトークンライザと、局所的な断層特徴抽出にマルチマイクロカーネルネットワーク(MMKNet)を利用する。 分離されたトレーニングは"大規模サンプル軽量"と"小サンプル複合"の最適化パスを分離し、計算オーバーヘッドを大幅に削減する。 同時に、知識蒸留によるキーネス抽出層(KEL)は、2段階決定のための物理的にトレース可能な説明を与え、解釈可能性と設計を具体化する。 NGAFID実世界の航空データセットの実験では、トレーニング時間を大幅に短縮し、タスク適応性、解釈可能性、効率の包括的な優位性を検証し、ベースラインよりも約4-8%改善されたマルチクラス罰則(MCWPM)が示されている。 これは、一般的な航空健康管理のためのデプロイ可能な方法論を提供する。

関連論文リスト

• Momentum Memory for Knowledge Distillation in Computational Pathology [12.305907179979426]
  本稿では,モーメント記憶知識蒸留(MoMKD)を提案する。 MoMKDは最先端のMILとマルチモーダルKDベースラインを一貫して上回り、ヒストロジーのみの推論の下で強力な性能と一般化を提供する。
  論文  参考訳（メタデータ） (2026-02-24T21:51:12Z)
• Using Unsupervised Domain Adaptation Semantic Segmentation for Pulmonary Embolism Detection in Computed Tomography Pulmonary Angiogram (CTPA) Images [0.0]
  非教師なしドメイン適応(UDA)フレームワークはTransformerのバックボーンとMean-Teacherアーキテクチャを使って、センター間のセマンティックセマンティックセグメンテーションを実現する。 主な焦点は、特徴空間内の深い構造情報を学習することで、擬似ラベルの信頼性を高めることである。 クロスセンタデータセット(FUMPEとCAD-PE)で実施した実験的検証は、大幅な性能向上を示す。
  論文  参考訳（メタデータ） (2026-02-23T14:33:24Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Knowledge Distillation and Enhanced Subdomain Adaptation Using Graph Convolutional Network for Resource-Constrained Bearing Fault Diagnosis [0.0]
  複雑な教師モデルからコンパクトで効率的な学生モデルに知識を伝達する進歩的知識蒸留フレームワークを提案する。 再生ケルネルヒルベルト空間(RKHS)における平均および分散統計を利用してラベル間の事前確率分布を組み込むELMMSD(Enhanced Local Maximum Mean Squared Discrepancy)を導入する。
  論文  参考訳（メタデータ） (2025-01-13T10:05:47Z)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。