論文の概要: Hybrid Spectro-Temporal Fusion Framework for Structural Health Monitoring
- arxiv url: http://arxiv.org/abs/2604.16589v1
- Date: Fri, 17 Apr 2026 15:34:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.095399
- Title: Hybrid Spectro-Temporal Fusion Framework for Structural Health Monitoring
- Title（参考訳）: 構造健康モニタリングのためのハイブリッド分光・時間核融合フレームワーク
- Authors: Jongyeop Kim, Jinki Kim, Doyun Lee,
- Abstract要約: 構造的健康モニタリングは, 工学系からの振動応答を解析することにより, 構造的安全を確保する上で重要な役割を担っている。
本稿では,到着時間隔記述子をスペクトル特徴と統合し,微視的・粗視的振動のダイナミクスを捉えるための分光時間アライメントフレームワークとハイブリッド分光時間フュージョンフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structural health monitoring plays a critical role in ensuring structural safety by analyzing vibration responses from engineering systems. This paper proposes a Spectro-Temporal Alignment framework and a Hybrid Spectro-Temporal Fusion framework that integrate arrival-time interval descriptors with spectral features to capture both fine-scale and coarse-scale vibration dynamics. Experiments conducted on data collected from an LDS V406 electrodynamic shaker demonstrate that the proposed spectro-temporal representations significantly outperform conventional input formulations. The results indicate that a temporal resolution (Δτ) of 0.008 of 0.02 favors traditional machine learning models, whereas a finer resolution (Δτ) of 0.008 effectively unlocks the performance potential of deep learning architectures. Beyond classification accuracy, a comprehensive stability analysis based on condensed indices, including mean performance, standard deviation, coefficient of variation, and balanced score, shows that the proposed hybrid framework consistently achieves higher accuracy with substantially lower variability compared to baseline and alignment-only approaches. Overall, these results demonstrate that the proposed framework provides a robust, accurate, and reliable solution for vibration-based structural health monitoring.
- Abstract（参考訳）: 構造的健康モニタリングは, 工学系からの振動応答を解析することにより, 構造的安全を確保する上で重要な役割を担っている。
本稿では,到着時間隔記述子をスペクトル特徴と統合し,微視的・粗視的振動のダイナミクスを捉えるための分光時間アライメントフレームワークとハイブリッド分光時間フュージョンフレームワークを提案する。
LDS V406電気力学的揺らぎ器から収集したデータを用いて行った実験は、提案した分光時空間表現が従来の入力定式化よりも著しく優れていることを示した。
その結果,0.02の時間分解能(Δτ)は従来の機械学習モデルを好む一方で,0.008の微細分解能(Δτ)はディープラーニングアーキテクチャの性能可能性を効果的に解き放つことを示した。
分類精度以外にも, 平均性能, 標準偏差, 変動係数, バランススコアなどの凝縮指標に基づく総合的安定性解析により, 提案したハイブリッドフレームワークは, ベースラインやアライメントのみのアプローチと比較して, かなり低いばらつきで常に高い精度を達成できることを示した。
これらの結果から, 本フレームワークは, 振動による構造的健康モニタリングを行う上で, 堅牢で正確かつ信頼性の高いソリューションであることがわかった。
関連論文リスト
- FRIGID: Scaling Diffusion-Based Molecular Generation from Mass Spectra at Training and Inference Time [52.735012862324766]
本稿では,質量スペクトルに条件付き構造を生成する新しい拡散言語モデルを用いたフレームワークFRIGIDを提案する。
スペクトル非一貫性フラグメントを同定することにより、前方フラグメンテーションモデルが推論時間スケーリングを実現する方法を示す。
さらなる実証分析により、FRIGIDは推論時間の増大を伴う対数線形性能のスケーリングを示すことが示された。
論文 参考訳（メタデータ） (2026-04-17T19:11:18Z) - Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。
EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。
最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
論文 参考訳（メタデータ） (2026-04-17T13:27:11Z) - Spectral-Transport Stability and Benign Overfitting in Interpolating Learning [0.0]
統計的学習の補間体制における一般化のための理論的枠組みを開発する。
我々は、有限サンプルリスク境界を証明し、鋭い良性オーバーフィッティング指数を確立し、スペクトル崩壊下での明示的な位相遷移速度を導出する。
このフレームワークはまた、最小スペクトル輸送エネルギーの補間解をどのように選択できるかを示すことによって暗黙の正則化を明確化する。
論文 参考訳（メタデータ） (2026-04-09T15:19:00Z) - From Static Spectra to Operando Infrared Dynamics: Physics Informed Flow Modeling and a Benchmark [67.29937933325849]
Operando IR Predictionは、1つの静的スペクトルからスペクトル指紋の時間分解進化を予測することを目的としている。
OpIRSpec-7Kは、10の異なるバッテリーシステムにわたる7,118の高品質なサンプルで構成されている。
ABCCは最先端の静的、シーケンシャル、および生成的ベースラインを著しく上回る。
論文 参考訳（メタデータ） (2026-02-20T18:58:43Z) - Spectral Gating Networks [65.9496901693099]
我々は、フィードフォワードネットワークに周波数リッチな表現性を導入するために、スペクトルゲーティングネットワーク(SGN)を導入する。
SGNは、標準活性化経路をコンパクトなスペクトル経路と学習可能なゲートで拡張し、安定したベース動作からモデルを開始することができる。
計算予算に匹敵する精度と効率のトレードオフを継続的に改善する。
論文 参考訳（メタデータ） (2026-02-07T20:00:49Z) - A Unified Matrix-Spectral Framework for Stability and Interpretability in Deep Learning [0.0]
我々は、ディープニューラルネットワークの安定性と解釈可能性を分析する統一的なフレームワークを開発する。
我々は,ジャコビアン,パラメータ勾配,ニューラルタンジェントカーネル演算子,ロスヘッセンのスペクトル情報を単一の安定性尺度に集約するグローバルマトリックス安定度指数を導入する。
論文 参考訳（メタデータ） (2026-02-01T10:18:37Z) - Iterative Inference-time Scaling with Adaptive Frequency Steering for Image Super-Resolution [75.3690742776891]
適応周波数ステアリング(IAFS)を用いた反復拡散推論時間スケーリングを提案する。
IAFSは、構造的偏差の反復的補正によって生成した画像を徐々に精細化することで、知覚品質と構造的忠実性のバランスをとるという課題に対処する。
実験の結果、IAFSは知覚と忠実性の対立を効果的に解決し、知覚の細部と構造的精度を一貫して改善し、既存の推論時間スケーリング手法よりも優れていた。
論文 参考訳（メタデータ） (2025-12-29T15:09:20Z) - Structured Spectral Reasoning for Frequency-Adaptive Multimodal Recommendation [13.886659472425393]
マルチモーダルレコメンデーションは、視覚情報やテキスト情報などの異種コンテンツと協調的な信号を統合することを目的としている。
これらの問題は、しばしば単純融合や浅いモデリング戦略によって悪化し、一般化の低下とロバスト性の低下につながる。
周波数対応マルチモーダルレコメンデーションのための構造化スペクトル推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-01T07:39:28Z) - Sparse Hyperparametric Itakura-Saito NMF via Bi-Level Optimization [1.5379084885764847]
そこで我々は,行依存のペナルティハイパーパラメータを自動的に適応的に調整する二段階最適化フレームワーク「ShinBO」を提案する。
実験の結果,ShinBOは正確なスペクトル分解を保証し,合成および実世界の双方で優れた性能を示すことがわかった。
論文 参考訳（メタデータ） (2025-02-24T13:05:01Z) - Certified Adversarial Defenses Meet Out-of-Distribution Corruptions:
Benchmarking Robustness and Simple Baselines [65.0803400763215]
この研究は、最先端のロバストモデルがアウト・オブ・ディストリビューションデータに遭遇した場合、敵のロバスト性がどのように変化を保証しているかを批判的に検証する。
本稿では,トレーニングデータのスペクトルカバレッジを改善するために,新たなデータ拡張方式であるFourierMixを提案する。
また,FourierMixの拡張により,様々なOODベンチマークにおいて,より優れたロバスト性保証を実現することが可能となる。
論文 参考訳（メタデータ） (2021-12-01T17:11:22Z)
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。