論文の概要: Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems

• arxiv url: http://arxiv.org/abs/2605.14318v1
• Date: Thu, 14 May 2026 03:29:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.603393
• Title: Semantic Feature Segmentation for Interpretable Predictive Maintenance in Complex Systems
• Title（参考訳）: 複合システムにおける解釈可能な予測保守のための意味的特徴分割
• Abstract要約: 本研究では,監視対象の機能空間を標準コンポーネントに分解するセグメンテーションフレームワークを提案する。 標準空間は、複数の時間的構成をまたいだ残留空間よりも予測リスクが低いことを示す。 これらの結果は,意味的特徴分節化が監視信号の解釈および情報遅延分解をもたらすことを示唆している。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Predictive maintenance in complex systems is often complicated by the heterogeneity and redundancy of monitored variables,which can obscure fault-relevant information and reduce model interpretability. This work proposes a semantic feature segmentation framework that decomposes the monitored feature space into a canonical component,expected to retain the dominant predictive information, and a residual component containing structurally peripheral signals. The segmentation is defined through domain informed criteria and sets up monitoring variables into functional groups reflecting operational mechanisms such as throughput,latency,pressure,network activity,and structural state. To evaluate the effectiveness of this decomposition, we adopt a predictive perspective in which expected predictive risk is used as an operational proxy for task-relevant information. Experimental results obtained through time-aware cross-validation show that the canonical space consistently achieves lower predictive risk than the residual space across multiple temporal configurations, indicating that the semantic segmentation concentrates the most relevant information for fault anticipation. In addition, the canonical segments exhibit significantly stronger intra-segment coherence than inter-segment dependence, and this structural organization remains stable after redundancy reduction. When compared with the full feature space and with a Principal Component Analysis (PCA) representation, the canonical space carries out comparable predictive performance and furthermore preserves the semantic meaning of the original variables. These findings suggest that semantic feature segmentation provides an interpretable and information-preserving decomposition of monitoring signals, enabling competitive predictive performance without sacrificing the operational interpretability required in predictive maintenance applications.
• Abstract（参考訳）: 複雑なシステムの予測的メンテナンスは、監視変数の不均一性と冗長性によって複雑になることが多い。 本研究では、監視対象の特徴空間を標準成分に分解し、支配的な予測情報を保持するための意味的特徴分割フレームワークと、構造的周辺信号を含む残留成分を提案する。 セグメンテーションはドメインインシデント基準によって定義され、監視変数をスループット、レイテンシ、プレッシャ、ネットワークアクティビティ、構造状態などの運用メカニズムを反映する機能グループに設定する。 この分解の有効性を評価するために,タスク関連情報の操作プロキシとして予測リスクが使用される予測視点を採用した。 経時的クロスバリデーションにより得られた実験結果から、標準空間は複数の時間的構成にわたる残留空間よりも低い予測リスクを連続的に達成し、意味セグメンテーションが断層予測に最も関連性の高い情報に集中していることが示唆された。 さらに, 正準セグメントは断面積依存性よりも, 断面積内コヒーレンスが非常に強く, この構造構造は冗長性低減後も安定している。 完全な特徴空間と主成分分析(PCA)表現と比較すると、標準空間は同等な予測性能を示し、さらに元の変数の意味を保存している。 これらの結果から,セマンティックな特徴セグメンテーションは,監視信号の解釈および情報保存を可能とし,予測保守アプリケーションに必要な操作的解釈性を犠牲にすることなく,競争力のある予測性能を実現することが示唆された。

関連論文リスト

• SAUF-Net: Structure--Appearance Representation Learning with Uncertainty Feedback for Semi-Supervised Medical Image Segmentation [11.11888950065648]
  半教師型医用画像セグメンテーションのための不確かさフィードバックネットワークを用いた構造表現学習であるSAUF-Netを提案する。 本稿では、外観変化下で構造表現が安定し続けることを奨励するために、外観選択整合分岐を導入する。 ISIC-2016とKvasir-SEGの実験は、SAUF-Netが最先端の半教師付き手法より優れていることを示した。
  論文  参考訳（メタデータ） (2026-09-02T07:54:49Z)
• ControlledShifts: Towards Standardizing Robustness Evaluation in Trajectory Prediction Under Distribution Shifts [12.370065954075299]
  軌道予測は自動運転の安全性の中心である。 多くの手法は、データ中心あるいはテスト時間適応アプローチによる分散シフト劣化を緩和しようとする。 ControlledShiftsは、既存のトラジェクトリデータセットをイン・ディストリビューションとアウト・オブ・ディストリビューションのパーティションに体系的に再分割するフレームワークである。
  論文  参考訳（メタデータ） (2026-08-18T15:16:52Z)
• Breaking Structural Isolation: Scalable Graph Clustering via Community-Aware Sampling and Structural Entropy [57.058369251551795]
  教師なしグラフクラスタリングは、大規模ネットワークの基盤となるセマンティックパターンを明らかにするための基本的な手法である。 本研究では,制約付き構造エントロピーを用いたコミュニティ認識サンプリングを連携させることにより,構造整合性を維持するフレームワークであるSCISEを提案する。 SCISEは最先端のアルゴリズムを著しく上回り、アブレーション研究とロバストネス分析により、実世界の大規模グラフの有効性と信頼性をさらに検証した。
  論文  参考訳（メタデータ） (2026-07-06T07:55:53Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Continual Segmentation under Joint Nonstationarity [8.522964568257455]
  進化するデータストリームは連続的なセマンティックセグメンテーションにおいて関節の非定常性を誘導する。 この設定は、実際に構築された予測システムを反映しているが、従来の連続的な学習作業では、ほとんど探索されていない。 連成クラス,ドメイン,ラベルのシフトの下で連続的なセグメンテーションを定式化し,異種密接な予測環境における学習について検討する。
  論文  参考訳（メタデータ） (2026-05-19T22:20:00Z)
• K-Models: a Flexible and Interpretable Method for Ordinal Clustering with Application to Antigen-Antibody Interaction Profiles [65.21921642886367]
  K-Modelsは、順序的制約を統合し、観察された機能プロファイルを生成するランダムプロセスの基本的な要素を推定する新しいフレームワークである。 提案手法はシミュレーションと実世界の応用を通して評価する。
  論文  参考訳（メタデータ） (2026-05-14T13:35:44Z)
• Large Vision-Language Models Get Lost in Attention [51.851592109135716]
  本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。 注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
  論文  参考訳（メタデータ） (2026-05-07T04:45:52Z)
• Weight-Informed Self-Explaining Clustering for Mixed-Type Tabular Data [63.62853416081748]
  WISEは表現、特徴重み付け、クラスタリング、解釈を統一するフレームワークである。 クラスタリングを駆動する同じプリミティブに根ざした、忠実で人間解釈可能な説明を生成する。
  論文  参考訳（メタデータ） (2026-04-07T13:18:31Z)
• Transformer-Based Reinforcement Learning for Autonomous Orbital Collision Avoidance in Partially Observable Environments [0.3093890460224435]
  自律軌道衝突回避のためのトランスフォーマーに基づく強化学習フレームワークを提案する。 この研究の中心的な貢献は、トランスフォーマーベースのPartially Observable Markov Decision Processアーキテクチャの利用である。 この統合は、不完全な監視環境下でより確実に動作可能な衝突回避エージェントを訓練するための基盤を提供する。
  論文  参考訳（メタデータ） (2026-02-05T04:57:58Z)
• CURVE: Learning Causality-Inspired Invariant Representations for Robust Scene Understanding via Uncertainty-Guided Regularization [30.613712415224473]
  CURVEは、変動不確実性モデリングと不確実性誘導構造正規化を統合し、高分散関係を抑制するフレームワークである。 具体的には,環境依存的変動から不変な相互作用力学を解離させ,スパースかつ領域安定なトポロジを促進させる。 実験により,CURVEをゼロショット転送と低データのsim-to-real適応で評価し,領域安定なスパーストポロジの学習能力を検証するとともに,分布シフト下でのリスク予測を支援するための信頼性の高い不確実性推定を行う。
  論文  参考訳（メタデータ） (2026-01-28T08:15:56Z)
• Priors in Time: Missing Inductive Biases for Language Model Interpretability [58.07412640266836]
  スパースオートエンコーダは、時間とともに概念の独立を前提としており、定常性を暗示している。 本稿では,時間的帰納バイアスを持つ新たな解釈可能性目標である時間的特徴分析を導入し,その表現を2つの部分に分解する。 私たちの結果は、堅牢な解釈可能性ツールの設計において、データにマッチする帰納的バイアスの必要性を浮き彫りにしています。
  論文  参考訳（メタデータ） (2025-11-03T18:43:48Z)
• Probabilistic Lexical Manifold Construction in Large Language Models via Hierarchical Vector Field Interpolation [0.0]
  提案手法は,単語表現が位相的整合性に従属する確率関数空間を構築する。 確率制約は、文脈関係を洗練することによって語彙コヒーレンスを高め、複数の言語分布における意味的安定性を改善する。 計算効率の評価では、表現は小さな処理オーバーヘッドをもたらすが、構造化された表現学習アプローチは実用的展開にはスケーラブルである。
  論文  参考訳（メタデータ） (2025-02-14T08:47:10Z)
• Structured Context Recomposition for Large Language Models Using Probabilistic Layer Realignment [0.0]
  本稿では,トランス層内の学習表現を動的に調整する確率的層配向戦略を提案する。 急激なトピックシフトと論理的不整合を軽減し、特にシークエンスが標準の注意窓の制約を超えるシナリオにおいて。 SCRは処理時間を適度に増加させるが、メモリオーバーヘッドは実現可能な限界内に留まり、自動回帰生成アプリケーションへの実用的なデプロイに適している。
  論文  参考訳（メタデータ） (2025-01-29T12:46:42Z)

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。