論文の概要: Multi-output Extreme Spatial Model for Complex Aircraft Production Systems
- arxiv url: http://arxiv.org/abs/2604.22548v1
- Date: Fri, 24 Apr 2026 13:38:08 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-27 15:36:26.47515
- Title: Multi-output Extreme Spatial Model for Complex Aircraft Production Systems
- Title（参考訳）: 複合航空機生産システムのための多出力極大空間モデル
- Authors: Cheolhei Lee, Xing Wang, Xiaowei Yue, Jianguo Wu,
- Abstract要約: マルチ出力応答制御系に対する極端空間モデルを提案する。
2つの空間領域上の双線型関数を用いて、制御変数と測定位置を効率的にキャプチャする。
提案モデルは,極端な事象に対する予測性能に優れた包括的解析を可能にする。
- 参考スコア（独自算出の注目度）: 14.23563823250352
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Problem definition: Data-driven models in machine learning have enabled efficient management of production systems. However, a majority of machine learning models are devoted to modeling the mean response or average pattern, which is inappropriate for studying abnormal extreme events that are often of primary interest in aircraft manufacturing. Since extreme events from heavy-tailed distributions give rise to prohibitive expenditures in system management, sophisticated extreme models are urgently needed to analyze complex extreme risks. Engineering applications of extreme models usually focus on individual extreme events, which is insufficient for complex systems with correlations. Methodology/results: We introduce an extreme spatial model for multi-output response control systems that efficiently captures the dynamics using a bilinear function on two spatial domains for control variables and measurement locations. Marginal parameter modeling and extremal dependence have been investigated. In addition, an efficient graph-assisted composite likelihood estimation and corresponding computational algorithms are developed to cope with high-dimensional outputs. The application to composite aircraft production shows that the proposed model enables comprehensive analyses with superior predictive performance on extreme events compared to canonical methods. Managerial implications: Our method shows how to use an extreme spatial model for predicting extreme events and managing extreme risks in complex production systems such as aircraft. This can help achieve better quality management and operation safety in aircraft production systems and beyond.
- Abstract（参考訳）: 問題定義: 機械学習におけるデータ駆動モデルにより、生産システムの効率的な管理が可能になった。
しかし、機械学習モデルの大半は平均応答または平均パターンのモデリングに費やされており、これは航空機製造にしばしば関心を持つ異常な極端な事象を研究するのに不適切である。
ヘビーテール分布からの極端な事象は、システム管理に不当な支出をもたらすため、複雑な極端なリスクを分析するために、高度な極端なモデルが緊急に必要である。
極端なモデルの工学的応用は通常、相関を持つ複雑なシステムには不十分な個々の極端な事象に焦点を当てる。
方法: 2つの空間領域上の双線型関数を用いて動的を効率的に捕捉し,制御変数と測定位置を推定する多出力応答制御系における極端空間モデルを提案する。
マルジナルパラメータモデリングと極端依存について検討した。
さらに,高次元出力に対処するために,効率的なグラフ支援複合確率推定とそれに対応する計算アルゴリズムを開発した。
複合航空機生産への適用により,提案手法は極端事象の予測性能に優れた包括的解析を可能にした。
本手法は, 航空機等の複雑な生産システムにおいて, 極端な事象を予測し, 極端なリスクを管理するために, 極端な空間モデルを用いる方法を示す。
これにより、航空機生産システムなどにおける品質管理と運用の安全性の向上が期待できる。
関連論文リスト
- AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。
提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。
さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
論文 参考訳（メタデータ） (2026-03-19T03:47:21Z) - GLUE: Generative Latent Unification of Expertise-Informed Engineering Models [3.005158583027536]
GLUE(Generative Latent Unification of Expertise-Informed Engineering Models)を紹介する。
GLUEは、事前訓練された凍結したサブシステムジェネレータをオーケストレーションし、システムレベルの実現可能性、最適性、多様性を強制する。
5つの結合制約を持つUAV設計問題において、データ駆動型アプローチは多種多様な高性能な設計をもたらすが、制約を確実に満たすためには大きなデータセットを必要とする。
論文 参考訳（メタデータ） (2025-12-22T15:23:19Z) - Case Studies of Generative Machine Learning Models for Dynamical Systems [0.5499796332553707]
本稿では,航空機誘導において一般的に理解され,活用される最適制御システムの2つの事例研究に焦点をあてる。
本稿では, 比較的小さな集合, 数百の順序, 基礎となる支配方程式で訓練されたGAIMについて報告する。
新しいモデルは、少量のトレーニングデータにもかかわらず、支配方程式を満たすデータを合成することができ、統計的にトレーニングデータと類似している。
論文 参考訳（メタデータ） (2025-08-06T13:59:14Z) - Data-Driven Stochastic Closure Modeling via Conditional Diffusion Model and Neural Operator [0.0]
クロージャモデルは、乱流や地球系のような複雑なマルチスケール力学系をシミュレートするのに広く用いられている。
明確なスケールを持たないシステムでは、一般化決定論的および局所閉包モデルは十分な能力に欠けることが多い。
ニューラル演算子と非局所クロージャモデルを構築するためのデータ駆動モデリングフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-06T05:21:31Z) - Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。
本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文 参考訳（メタデータ） (2022-09-05T16:48:34Z) - Data-driven Control of Agent-based Models: an Equation/Variable-free
Machine Learning Approach [0.0]
複雑/マルチスケールシステムの集合力学を制御するための方程式/変数自由機械学習(EVFML)フレームワークを提案する。
提案手法は3段階からなる: (A) 高次元エージェントベースシミュレーション、機械学習(特に非線形多様体学習(DM))
創発力学の数値分岐解析を行うために方程式のない手法を用いる。
我々は,エージェントをベースとしたシミュレータを本質的で不正確に知られ,創発的なオープンループ定常状態に駆動する,データ駆動型組込み洗浄制御器を設計する。
論文 参考訳（メタデータ） (2022-07-12T18:16:22Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Interpretable Hyperspectral AI: When Non-Convex Modeling meets
Hyperspectral Remote Sensing [57.52865154829273]
ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。
過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。
このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
論文 参考訳（メタデータ） (2021-03-02T03:32:10Z) - On the Universal Transformation of Data-Driven Models to Control Systems [0.0]
任意の予測モデルを制御系に変換する普遍的なフレームワークを提案する。
提案手法の利点は,制御次元に対するデータ要求の線形増加である。
論文 参考訳（メタデータ） (2021-02-09T09:33:03Z) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Hybrid modeling: Applications in real-time diagnosis [64.5040763067757]
我々は、機械学習にインスパイアされたモデルと物理モデルを組み合わせた、新しいハイブリッドモデリングアプローチの概要を述べる。
このようなモデルをリアルタイム診断に利用しています。
論文 参考訳（メタデータ） (2020-03-04T00:44:57Z)
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。