論文の概要: A Hybrid Intelligent Framework for Uncertainty-Aware Condition Monitoring of Industrial Systems

• arxiv url: http://arxiv.org/abs/2604.09932v1
• Date: Fri, 10 Apr 2026 22:22:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.753205
• Title: A Hybrid Intelligent Framework for Uncertainty-Aware Condition Monitoring of Industrial Systems
• Title（参考訳）: 産業システムの不確実性を考慮した環境モニタリングのためのハイブリッド・インテリジェント・フレームワーク
• Authors: Maryam Ahang, Todd Charter, Masoud Jalayer, Homayoun Najjaran,
• Abstract要約: 本研究は, 一次センサ計測, 時間的特徴, 物理インフォームド残差を統合したハイブリッド状態監視フレームワークを開発した。 2つのハイブリッド統合戦略について検討し、第1に、残差情報と時間情報で入力空間を増強する特徴レベル融合アプローチについて述べる。 2つ目はモデルレベルのアンサンブルアプローチで、異なる機能タイプでトレーニングされた機械学習分類器が決定レベルで結合される。
• 参考スコア（独自算出の注目度）: 4.854320235705813
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hybrid approaches that combine data-driven learning with physics-based insight have shown promise for improving the reliability of industrial condition monitoring. This work develops a hybrid condition monitoring framework that integrates primary sensor measurements, lagged temporal features, and physics-informed residuals derived from nominal surrogate models. Two hybrid integration strategies are examined. The first is a feature-level fusion approach that augments the input space with residual and temporal information. The second is a model-level ensemble approach in which machine learning classifiers trained on different feature types are combined at the decision level. Both hybrid approaches of the condition monitoring framework are evaluated on a continuous stirred-tank reactor (CSTR) benchmark using several machine learning models and ensemble configurations. Both feature-level and model-level hybridization improve diagnostic accuracy relative to single-source baselines, with the best model-level ensemble achieving a 2.9\% improvement over the best baseline ensemble. To assess predictive reliability, conformal prediction is applied to quantify coverage, prediction-set size, and abstention behavior. The results show that hybrid integration enhances uncertainty management, producing smaller and well-calibrated prediction sets at matched coverage levels. These findings demonstrate that lightweight physics-informed residuals, temporal augmentation, and ensemble learning can be combined effectively to improve both accuracy and decision reliability in nonlinear industrial systems.
• Abstract（参考訳）: データ駆動学習と物理に基づく洞察を組み合わせたハイブリッドアプローチは、産業状態監視の信頼性向上を約束している。 本研究は, 一次センサ計測, 時間的特徴, および名目的サロゲートモデルから得られる物理インフォームド残差を統合したハイブリッド状態監視フレームワークを開発する。 2つのハイブリッド統合戦略について検討する。 1つ目は、残差情報と時間情報で入力空間を増大させる機能レベルの融合アプローチである。 2つ目はモデルレベルのアンサンブルアプローチで、異なる機能タイプでトレーニングされた機械学習分類器が決定レベルで結合される。 条件監視フレームワークの2つのハイブリッドアプローチは、複数の機械学習モデルとアンサンブル構成を用いて、連続的な旋回タンク反応器(CSTR)ベンチマークで評価される。 特徴レベルのハイブリダイゼーションとモデルレベルのハイブリダイゼーションは、単一ソースのベースラインに対する診断精度を改善し、最良のモデルレベルのアンサンブルは、最高のベースラインアンサンブルよりも2.9\%改善する。 予測信頼性を評価するために、コンフォメーション予測を適用して、カバレッジ、予測セットサイズ、禁忌行動の定量化を行う。 その結果、ハイブリッド統合は不確実性管理を強化し、一致したカバレッジレベルでより小さくよく校正された予測セットを生成することがわかった。 これらの結果から, 非線形産業システムにおいて, 軽量な物理インフォームド残差, 時間的拡張, アンサンブル学習を効果的に組み合わせることで, 精度と信頼性を両立できることが示唆された。

関連論文リスト

• Adaptive Active Learning for Online Reliability Prediction of Satellite Electronics [1.1309064441249301]
  本稿では,新しい統合型オンライン信頼性予測フレームワークを提案する。 一般化されたアレニウスリンク関数、個々のランダム効果、空間相関を組み込んだウィナープロセスに基づく劣化モデルを開発した。 予測精度を適応的に向上する2段階能動学習サンプリングスキームを設計する。
  論文  参考訳（メタデータ） (2026-03-10T01:04:22Z)
• Harnessing Consistency for Robust Test-Time LLM Ensemble [88.55393815158608]
  CoREは、堅牢なLLMアンサンブルにモデル一貫性を利用するプラグイン・アンド・プレイ技術である。 トークンレベルの一貫性は、ダウンウェイト不確実なトークンにローパスフィルタを適用することで、きめ細かい不一致を捕捉する。 モデルレベルの一貫性は、自己自信の高いモデル出力を促進することで、グローバルな合意をモデル化する。
  論文  参考訳（メタデータ） (2025-10-12T04:18:45Z)
• MaP: A Unified Framework for Reliable Evaluation of Pre-training Dynamics [72.00014675808228]
  大規模言語モデルの不安定性評価プロセスは、真の学習力学を曖昧にする。 textbfMaPは、アンダーラインMergingアンダーラインとアンダーラインPass@kメトリックを統合するフレームワークです。 実験により、MaPはよりスムーズな性能曲線を示し、ラン間分散を低減し、より一貫性のあるランキングを保証する。
  論文  参考訳（メタデータ） (2025-10-10T11:40:27Z)
• Model Accuracy and Data Heterogeneity Shape Uncertainty Quantification in Machine Learning Interatomic Potentials [5.955636672018519]
  機械学習原子間ポテンシャル(MLIP)は正確な原子モデルを可能にするが、信頼性のある不確実性定量化(UQ)はいまだ解明されていない。 本研究では,原子クラスター拡張フレームワーク内でのアンサンブル学習とD-最適性の2つのUQ戦略について検討する。
  論文  参考訳（メタデータ） (2025-08-05T12:52:49Z)
• Optimization of bi-directional gated loop cell based on multi-head attention mechanism for SSD health state classification model [2.5670390559986442]
  本研究では,ストレージデバイスの健康分類の精度と安定性を高めるために,マルチヘッドアテンション機構を組み込んだハイブリッドBiGRU-MHAモデルを提案する。 実験結果から,本モデルではトレーニングセットが92.70%,テストセットが92.44%,最小性能差が0.26%であった。
  論文  参考訳（メタデータ） (2025-06-13T22:01:57Z)
• Data-Driven Calibration of Prediction Sets in Large Vision-Language Models Based on Inductive Conformal Prediction [0.0]
  動的しきい値キャリブレーションとクロスモーダル整合性検証を統合したモデル非依存不確実性定量化法を提案する。 このフレームワークは、様々なキャリブレーションとテストの分割比で安定したパフォーマンスを実現し、医療、自律システム、その他の安全に敏感な領域における現実的な展開の堅牢性を強調している。 この研究は、マルチモーダルAIシステムにおける理論的信頼性と実用性の間のギャップを埋め、幻覚検出と不確実性を考慮した意思決定のためのスケーラブルなソリューションを提供する。
  論文  参考訳（メタデータ） (2025-04-24T15:39:46Z)
• Model Inversion Attacks Through Target-Specific Conditional Diffusion Models [54.69008212790426]
  モデル反転攻撃(MIA)は、ターゲット分類器のトレーニングセットからプライベートイメージを再構築することを目的としており、それによってAIアプリケーションにおけるプライバシー上の懸念が高まる。 従来のGANベースのMIAは、GANの固有の欠陥と潜伏空間における最適化の偏りにより、劣った遺伝子的忠実度に悩まされる傾向にある。 これらの問題を緩和するために拡散モデル反転(Diff-MI)攻撃を提案する。
  論文  参考訳（メタデータ） (2024-07-16T06:38:49Z)
• Supervised Contrastive Learning based Dual-Mixer Model for Remaining Useful Life Prediction [3.081898819471624]
  Remaining Useful Life (RUL)予測は、現在の予測モーメントからデバイスの完全な障害までの残時間を正確に見積もることを目的としている。 従来のRUL予測手法における時間的特徴と空間的特徴の厳密結合の欠点を克服するため,Dual-Mixerモデルと呼ばれる空間的時間的特徴抽出器を提案する。 提案手法の有効性は,C-MAPSSデータセットに関する他の最新の研究結果との比較により検証した。
  論文  参考訳（メタデータ） (2024-01-29T14:38:44Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• Efficient Model-based Multi-agent Reinforcement Learning via Optimistic Equilibrium Computation [93.52573037053449]
  H-MARL (Hallucinated Multi-Agent Reinforcement Learning) は,環境と数回交流した後の平衡政策を学習する。 自律運転シミュレーションベンチマークにおいて,本手法を実験的に実証した。
  論文  参考訳（メタデータ） (2022-03-14T17:24:03Z)
• Providing reliability in Recommender Systems through Bernoulli Matrix Factorization [63.732639864601914]
  本稿では,予測値と信頼性値の両方を提供するためにBernoulli Matrix Factorization (BeMF)を提案する。 BeMFはメモリベースのフィルタリングではなく、モデルベースの協調フィルタリングに作用する。 予測の信頼性が高ければ高いほど、それが間違っているという責任は少なくなる。
  論文  参考訳（メタデータ） (2020-06-05T14:24:27Z)

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。