論文の概要: Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification

• arxiv url: http://arxiv.org/abs/2604.19658v1
• Date: Tue, 21 Apr 2026 16:45:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-22 22:41:49.878905
• Title: Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification
• Title（参考訳）: 操作変数から遠ざかる損傷:アウトプットオンリーな構造的損傷同定のためのラベルなし自己監督型表現学習フレームワーク
• Authors: Xudong Jian, Charikleia Stoura, Simon Scandella, Eleni Chatzi,
• Abstract要約: 本研究では,頑健な振動に基づく構造的損傷識別のための自己教師付きラベルフリー非絡み合い表現学習フレームワークを提案する。 提案フレームワークは,2つの潜在表現を持つオートエンコーダを用いて,生の振動加速度信号から直接学習する。 その効果は、ブリッジとギアボックスを含む2つの異なる現実世界の振動データセットで検証されている。
• 参考スコア（独自算出の注目度）: 0.25414326134455845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Damage identification is a core task in structural health monitoring. In practice, however, its reliability is often compromised by confounding non-damage effects, such as variations in excitation and environmental conditions, which can induce changes comparable to or larger than those caused by structural damage. To address this challenge, this study proposes a self-supervised label-free disentangled representation learning framework for robust vibration-based structural damage identification. The proposed framework employs an autoencoder with two latent representations to learn directly from raw vibration acceleration signals. A self-supervised invariance regularization, implemented via Variance-Invariance-Covariance Regularization (VICReg), is imposed on one latent representation using baseline data where structural damage is assumed constant but operational and environmental conditions vary. In addition, a frequency-domain constraint is introduced to enforce agreement between the power spectral density reconstructed from the latent representation and that computed from the corresponding input time series. Together, these mechanisms promote disentanglement, enabling the learned representation to be sensitive to damage-related characteristics while remaining invariant to nuisance variability. The framework is trained in a fully end-to-end and label-free manner, requiring no prior information on damage, excitation, or environmental conditions, making it well-suited for real-world applications. Its effectiveness is validated on two distinct real-world vibration datasets, including a bridge and a gearbox. The results demonstrate robustness to operational variability, strong generalization capability, and good performance in both damage detection and quantification.
• Abstract（参考訳）: 損傷の特定は、構造的健康モニタリングにおける中核的な課題である。 しかし、実際には、その信頼性は、励起の変動や環境条件の変動など、構造的な損傷によって引き起こされるものと同等以上の変化を誘発する非損傷効果によって、しばしば損なわれる。 この課題に対処するために,頑健な振動に基づく構造的損傷識別のための自己教師付きラベルフリー非絡み合い表現学習フレームワークを提案する。 提案フレームワークは,2つの潜在表現を持つオートエンコーダを用いて,生の振動加速度信号から直接学習する。 構造的損傷を一定と仮定するが、運用条件や環境条件が異なるベースラインデータを用いて、1つの潜伏表現に対して、可変不変共分散正規化(VICReg)によって実施される自己監督不変性正規化を課す。 さらに、潜在表現から再構成されたパワースペクトル密度と対応する入力時系列から計算されたパワースペクトル密度との一致を強制するために周波数領域制約を導入する。 これらのメカニズムを併用することにより、学習した表現が損傷関連特性に敏感でありながら、ニュアンス変動に不変なままにすることができる。 フレームワークは完全にエンドツーエンドでラベルのない方法でトレーニングされており、損傷、励起、環境条件に関する事前情報を必要としないため、現実世界のアプリケーションに適している。 その効果は、ブリッジとギアボックスを含む2つの異なる現実世界の振動データセットで検証されている。 その結果, 運転変動性, 高い一般化能力, 損傷検出と定量化の両面において良好な性能を示した。

関連論文リスト

• Causal Bootstrapped Alignment for Unsupervised Video-Based Visible-Infrared Person Re-Identification [52.784239635604735]
  VVI-ReIDは、静止画像以外にも時間情報が付加的な手がかりを提供する、全日監視のための重要な技術である。 既存のアプローチは、高価なクロスモダリティアノテーションによる完全な教師付き学習に大きく依存しており、スケーラビリティが制限されています。 そこで,本研究では,ビデオの先行を明示的に活用するCausal Bootstrapped Alignmentフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-17T02:15:59Z)
• Causal Reconstruction of Sentiment Signals from Sparse News Data [0.0]
  スパースニュースに由来する感度信号は、金融分析や技術監視によく用いられる。 記事レベルスコアを正規時間グリッドに集約する3段階パイプラインを提案する。 我々は,AI関連ニュースタイトルのデータセットに対して,株価データに対する再構成信号の整合性を評価する。
  論文  参考訳（メタデータ） (2026-03-24T09:13:33Z)
• Character as a Latent Variable in Large Language Models: A Mechanistic Account of Emergent Misalignment and Conditional Safety Failures [70.48661957773449]
  創発的ミスアライメント(英: Emergent Misalignment)とは、狭い範囲のデータに対する微調整された大きな言語モデルによって、広範囲に不整合な振る舞いが引き起こされる障害モードを指す。 複数のドメインやモデルファミリにまたがって、特定の文字レベルの配置を示すデータの微調整モデルは、誤操作よりもはるかに強く、転送可能な微調整を誘導する。
  論文  参考訳（メタデータ） (2026-01-30T15:28:42Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Explainable fault and severity classification for rolling element bearings using Kolmogorov-Arnold networks [4.725935825821886]
  ベアリング故障は機械の故障の主な原因である。 本研究では,これらの課題に対処するためにKolmogorov-Arnold Networksを用いた。 説明可能な結果を提供する軽量モデルを生成する。
  論文  参考訳（メタデータ） (2024-12-02T09:40:03Z)
• Learning perturbation sets for robust machine learning [97.6757418136662]
  我々は、潜在空間の制約領域上に設定された摂動を定義する条件生成器を用いる。 学習した摂動集合の質を定量的かつ質的に測定する。 我々は、学習した摂動集合を利用して、敵画像の破損や逆光の変動に対して経験的かつ確実に堅牢なモデルを訓練する。
  論文  参考訳（メタデータ） (2020-07-16T16:39:54Z)
• Sparse representation for damage identification of structural systems [11.397437423613418]
  モデル更新とスパース損傷識別のための2段階感度解析に基づく新しいフレームワークを提案する。 次に、準$ell法上に構築されたスパース表現パイプラインを、損傷と局所化定量化のために提示する。 提案手法は, 構造損傷の局所化と定量化の両方を高精度に行うことができることを示す。
  論文  参考訳（メタデータ） (2020-06-06T18:04:35Z)

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。