論文の概要: LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2604.01725v1
• Date: Thu, 02 Apr 2026 07:45:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.591891
• Title: LiteInception: A Lightweight and Interpretable Deep Learning Framework for General Aviation Fault Diagnosis
• Title（参考訳）: LiteInception: 一般航空事故診断のための軽量かつ解釈可能なディープラーニングフレームワーク
• Authors: Zhihuan Wei, Xinhang Chen, Danyang Han, Yang Hu, Jie Liu, Xuewen Miao, Guijiang Li,
• Abstract要約: 一般の航空事故の診断と効率的なメンテナンスは、飛行安全性に不可欠である。 リソース制約のあるエッジデバイスにディープラーニングモデルをデプロイすることは、計算能力と解釈可能性に二重の課題をもたらす。 本稿では,エッジデプロイメント用に設計された軽量な解釈可能な故障診断フレームワークLiteInceptionを提案する。
• 参考スコア（独自算出の注目度）: 6.808072483116578
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: General aviation fault diagnosis and efficient maintenance are critical to flight safety; however, deploying deep learning models on resource-constrained edge devices poses dual challenges in computational capacity and interpretability. This paper proposes LiteInception--a lightweight interpretable fault diagnosis framework designed for edge deployment. The framework adopts a two-stage cascaded architecture aligned with standard maintenance workflows: Stage 1 performs high-recall fault detection, and Stage 2 conducts fine-grained fault classification on anomalous samples, thereby decoupling optimization objectives and enabling on-demand allocation of computational resources. For model compression, a multi-method fusion strategy based on mutual information, gradient analysis, and SE attention weights is proposed to reduce the input sensor channels from 23 to 15, and a 1+1 branch LiteInception architecture is introduced that compresses InceptionTime parameters by 70%, accelerates CPU inference by over 8x, with less than 3% F1 loss. Furthermore, knowledge distillation is introduced as a precision-recall regulation mechanism, enabling the same lightweight model to adapt to different scenarios--such as safety-critical and auxiliary diagnosis--by switching training strategies. Finally, a dual-layer interpretability framework integrating four attribution methods is constructed, providing traceable evidence chains of "which sensor x which time period." Experiments on the NGAFID dataset demonstrate a fault detection accuracy of 81.92% with 83.24% recall, and a fault identification accuracy of 77.00%, validating the framework's favorable balance among efficiency, accuracy, and interpretability.
• Abstract（参考訳）: 一般の航空事故の診断と効率的なメンテナンスは、飛行安全性にとって重要であるが、資源制約されたエッジデバイスにディープラーニングモデルをデプロイすることは、計算能力と解釈可能性において二重の課題をもたらす。 本稿では,エッジデプロイメント用に設計された軽量な解釈可能な故障診断フレームワークLiteInceptionを提案する。 ステージ1はハイリコール障害検出を行い、ステージ2は異常サンプルに対してきめ細かい障害分類を行い、最適化の目的を分離し、計算リソースのオンデマンド割り当てを可能にする。 モデル圧縮では、入力センサチャネルを23から15に減らすために、相互情報、勾配解析、SE注目重みに基づくマルチメタル融合戦略を提案し、1+1分岐LiteInceptionアーキテクチャを導入し、InceptionTimeパラメータを70%圧縮し、CPU推論を8倍以上加速し、F1損失は3%未満である。 さらに、知識蒸留は精度・リコール制御機構として導入され、同じ軽量モデルで、安全クリティカルな診断や補助的な診断など、異なるシナリオに適応することができる。 最後に、4つの帰属法を統合した二重層解釈可能性フレームワークを構築し、「どの時間 x を感知するか」のトレース可能なエビデンスチェーンを提供する。 NGAFIDデータセットの実験では、81.92%のフォールト検出精度と83.24%のリコール、77.00%のフォールト識別精度を示し、フレームワークの効率、正確性、解釈可能性のバランスを検証している。

関連論文リスト

• Amped: Adaptive Multi-stage Non-edge Pruning for Edge Detection [53.59823657644554]
  エッジ検出のための適応型多段非エッジプルーニングフレームワーク(Amped)を提案する。 Ampedは高信頼の非エッジトークンを識別し、可能な限り早く削除し、計算を大幅に削減する。 既存のエッジ検出ネットワークの構造的複雑さを軽減するため,Streamline Edge Detector(SED)と呼ばれる,シンプルながら高性能なTransformerベースのモデルを導入する。
  論文  参考訳（メタデータ） (2026-03-29T12:26:35Z)
• Distributional Reinforcement Learning with Information Bottleneck for Uncertainty-Aware DRAM Equalization [8.695939803795499]
  本稿では,Information Bottleneck潜在表現と条件付き値-アット・リスク最適化を組み合わせた分散型リスク感応型強化学習フレームワークを提案する。 本稿では,眼球図の51倍の速度アップを実現する速度歪み最適信号圧縮法を提案する。 提案するフレームワークは,検証済みの最悪の保証を伴って,生産規模の等化器最適化のための実用的なソリューションを提供することを示す。
  論文  参考訳（メタデータ） (2026-03-05T03:34:25Z)
• Time2Vec Transformer for Robust Gesture Recognition from Low-Density sEMG [1.231764991565978]
  本稿では筋電義手制御のための新しい,データ効率の高いディープラーニングフレームワークを提案する。 提案手法は, スパース2チャネル表面筋電図(sEMG)に最適化されたハイブリッドトランスフォーマーの実装である。 提案するフレームワークは, 迅速なパーソナライズが可能な次世代人工装具の堅牢で費用対効果の高い青写真を提供する。
  論文  参考訳（メタデータ） (2026-02-02T09:28:27Z)
• Hierarchical Spatio-Temporal Attention Network with Adaptive Risk-Aware Decision for Forward Collision Warning in Complex Scenarios [7.238050152381639]
  本稿では,階層型時空間注意ネットワークと動的リスク閾値調整アルゴリズムを併用した前方衝突警報フレームワークを提案する。 マルチシナリオデータセットでテストされ、完全なシステムは高い有効性を示し、F1スコアは0.912、偽警報率は8.2%、警告リード時間は2.8秒である。
  論文  参考訳（メタデータ） (2025-11-25T05:57:29Z)
• Breaking the Statistical Similarity Trap in Extreme Convection Detection [0.0]
  ディープラーニング気象モデルの現在の評価指標は、希少で高影響のイベントを欠いている間、ぼやけた予測に報いる。 DARTは、粗大な大気予測を高解像度の衛星温度場に変換するという課題に対処するフレームワークである。 DARTは、背景/極端分解、物理的にモチベーションを得たオーバーサンプリング、タスク固有の損失関数を備えたデュアルデコーダアーキテクチャを採用している。
  論文  参考訳（メタデータ） (2025-09-11T07:10:45Z)
• Optical aberrations in autonomous driving: Physics-informed parameterized temperature scaling for neural network uncertainty calibration [49.03824084306578]
  本稿では,ニューラルネットワークのキャリブレーションアーキテクチャに物理的帰納バイアスを組み込むことにより,AIターゲットアプリケーションの堅牢性と信頼性を高めることを提案する。 信頼に値する不確実性表現と認識連鎖の総合的検証戦略の道を開く。
  論文  参考訳（メタデータ） (2024-12-18T10:36:46Z)
• Bridging the Gap Between End-to-End and Two-Step Text Spotting [88.14552991115207]
  ブリッジングテキストスポッティングは、2段階のメソッドでエラーの蓄積と最適化性能の問題を解決する新しいアプローチである。 提案手法の有効性を広範囲な実験により実証する。
  論文  参考訳（メタデータ） (2024-04-06T13:14:04Z)
• Global Context Aggregation Network for Lightweight Saliency Detection of Surface Defects [70.48554424894728]
  我々は,エンコーダ・デコーダ構造上の表面欠陥を簡易に検出するためのGCANet(Global Context Aggregation Network)を開発した。 まず、軽量バックボーンの上部層に新しいトランスフォーマーエンコーダを導入し、DSA(Depth-wise Self-Attention)モジュールを通じてグローバルなコンテキスト情報をキャプチャする。 3つの公開欠陥データセットの実験結果から,提案したネットワークは,他の17の最先端手法と比較して,精度と実行効率のトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2023-09-22T06:19:11Z)
• Efficient Visual Fault Detection for Freight Train Braking System via Heterogeneous Self Distillation in the Wild [8.062167870951706]
  本稿では,検出精度と速度を確保するため,不均一な自己蒸留フレームワークを提案する。 我々は,学習効率を向上させるために,ラベル付近の値にネットワークを集中させる新たな損失関数を用いる。 我々のフレームワークは毎秒37フレーム以上を達成でき、従来の蒸留法と比較して高い精度を維持することができる。
  論文  参考訳（メタデータ） (2023-07-03T01:27:39Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)
• 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。