論文の概要: A Heterogeneous Long-Micro Scale Cascading Architecture for General Aviation Health Management

• arxiv url: http://arxiv.org/abs/2603.22885v3
• Date: Fri, 27 Mar 2026 14:03:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.133942
• Title: A Heterogeneous Long-Micro Scale Cascading Architecture for General Aviation Health Management
• Title（参考訳）: 一般航空健康管理のための不均一な長期スケールカスケードアーキテクチャ
• Authors: Xinhang Chen, Zhihuan Wei, Yang Hu, Zhiguo Zeng, Kang Zeng, Wei Wang,
• Abstract要約: 本稿では,一般航空健康管理のためのAI駆動型異種カスケードアーキテクチャを提案する。 提案手法は, 厳密な安全要件を維持しつつ, 資源制約の厳しい航空環境における展開性を実証するものである。
• 参考スコア（独自算出の注目度）: 6.473116962477409
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: BACKGROUND: General aviation fleet expansion demands intelligent health monitoring under computational constraints. Real-world aircraft health diagnosis requires balancing accuracy with computational constraints under extreme class imbalance and environmental uncertainty. Existing end-to-end approaches suffer from the receptive field paradox: global attention introduces excessive operational heterogeneity noise for fine-grained fault classification, while localized constraints sacrifice critical cross-temporal context essential for anomaly detection. METHODS: This paper presents an AI-driven heterogeneous cascading architecture for general aviation health management. The proposed Long-Micro Scale Diagnostician (LMSD) explicitly decouples global anomaly detection (full-sequence attention) from micro-scale fault classification (restricted receptive fields), resolving the receptive field paradox while minimizing training overhead. A knowledge distillation-based interpretability module provides physically traceable explanations for safety-critical validation. RESULTS: Experiments on the public National General Aviation Flight Information Database (NGAFID) dataset (28,935 flights, 36 categories) demonstrate 4--8% improvement in safety-critical metrics (MCWPM) with 4.2 times training acceleration and 46% model compression compared to end-to-end baselines. CONCLUSIONS: The AI-driven heterogeneous architecture offers deployable solutions for aviation equipment health management, with potential for digital twin integration in future work. The proposed framework substantiates deployability in resource-constrained aviation environments while maintaining stringent safety requirements.
• Abstract（参考訳）: BACKGROUND: 一般航空隊の拡張は、計算制約の下でのインテリジェントな健康モニタリングを要求する。 現実の航空機の健康診断は、極端な階級不均衡と環境の不確実性の下での計算的制約と精度のバランスをとる必要がある。 既存のエンド・ツー・エンドのアプローチは、受容領域のパラドックスに苦しむ: グローバルな注意は、きめ細かい断層分類のための過剰な操作的不均一性ノイズを導入し、一方、局所的な制約は、異常検出に不可欠な重要な時間的コンテキストを犠牲にする。 方法: 一般航空の健康管理のためのAI駆動型異種カスケードアーキテクチャを提案する。 提案したLong-Micro Scale Diagnostician (LMSD) は, 微視的断層分類(restricted receptive field)からグローバルな異常検出(フルシーケンスアテンション)を明示的に分離し, トレーニングオーバーヘッドを最小限に抑えながら, 受容野パラドックスを解消する。 知識蒸留に基づく解釈可能性モジュールは、安全クリティカルな検証のための物理的にトレース可能な説明を提供する。 RESULTS: 国立一般航空情報データベース(NGAFID)データセット(28,935回の飛行、36のカテゴリー)の実験では、安全クリティカルな指標(MCWPM)が4--8%改善され、4.2倍のトレーニングアクセラレーションと46%のモデル圧縮がエンドツーエンドのベースラインと比較された。 CONCLUSIONS: AI駆動のヘテロジニアスアーキテクチャは、航空機器の健康管理のためのデプロイ可能なソリューションを提供する。 提案手法は, 厳密な安全要件を維持しつつ, 資源制約の厳しい航空環境における展開性を実証するものである。

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。