論文の概要: LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection

• arxiv url: http://arxiv.org/abs/2605.17902v1
• Date: Mon, 18 May 2026 06:07:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:48.909081
• Title: LAST-RAG: Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation for Knowledge-Conditioned Degradation Model Selection
• Title（参考訳）: LAST-RAG:知識記述型劣化モデル選択のための文学的確率的軌道探索生成
• Authors: Hanbyeol Park, Hyerim Bae,
• Abstract要約: 本研究は, 純粋に統計的に適合する問題から, 知識条件決定問題への分解モデル選択を再構成する。 提案手法は、観察された健康指標軌跡とドメイン固有の文脈の両方を用いている。 最終的に、本研究では、純粋に統計的に好適な問題から分解モデル選択を知識条件決定問題に再編成する。
• 参考スコア（独自算出の注目度）: 1.6615337656760858
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Stochastic-process-based degradation modeling is a core approach for estimating the distribution of remaining useful life (RUL); however, the selection of an appropriate stochastic process has not been sufficiently addressed. Existing model selection methods mainly rely on the statistical fit of the observed health indicator (HI) trajectory, but this approach may select a model that is inconsistent with the underlying degradation mechanism when the observation window is short or the signal is highly noisy. To address this issue, this paper proposes Literature-Anchored Stochastic Trajectory Retrieval-Augmented Generation (LAST-RAG). The proposed method uses both the observed HI trajectory and domain-specific context, and hierarchically conditions the candidate degradation model space based on theoretical and mechanical evidence retrieved from a local evidence bank. In addition, Rule-based Confidence Reasoning with Uncertain State (RCRUS) is introduced to prevent candidate models from being prematurely eliminated when hierarchical decisions are uncertain. Simulation-based experiments demonstrate that the proposed method outperforms statistical, prognostic, and uncertainty-aware baselines in both Wiener/gamma family classification and detailed degradation model classification. Ultimately, this study reframes degradation model selection from a purely statistical goodness-of-fit problem into a knowledge-conditioned decision-making problem that integrates observed data with domain knowledge.
• Abstract（参考訳）: 確率過程に基づく劣化モデリングは, 残った有用寿命(RUL)の分布を推定するためのコアアプローチであるが, 適切な確率過程の選択には十分対応していない。 既存のモデル選択法は主に、観測された健康指標(HI)軌道の統計的適合性に依存するが、本手法では、観測窓が短い場合や信号がうるさい場合、下層の劣化機構と矛盾しないモデルを選択することができる。 この問題に対処するため,本論文では,文学的確率的軌道探索的生成(LAST-RAG)を提案する。 提案手法は, 観測されたHI軌道とドメイン固有コンテキストの両方を用いて, 局所的証拠バンクから得られた理論的および機械的証拠に基づいて, 候補劣化モデル空間を階層的に条件付けする。 さらに、階層的決定が不確実である場合に、候補モデルが早期に排除されるのを防止するために、ルールベースの不確かさ推論(RCRUS)を導入している。 シミュレーションに基づく実験により,提案手法はWiener/γファミリー分類と詳細な劣化モデル分類の両方において,統計的,予後,不確実性を考慮したベースラインよりも優れていることが示された。 最終的に、本研究では、純粋に統計的に好適な問題から、観測されたデータとドメイン知識を統合する知識条件決定問題に分解モデル選択を再構成する。

関連論文リスト

• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Dynamic Decision-Making under Model Misspecification: A Stochastic Stability Approach [17.087471640760885]
  モデルクラスが誤特定された場合に,最もよく用いられるベイズ強化学習アルゴリズムであるトンプソンサンプリングの挙動について検討する。 まず,不特定二本腕ガウス帯状体における後部進化の完全な動的分類について述べる。 次に解析を一般有限モデルクラスに拡張し、統一マルコフフレームワークを開発する。
  論文  参考訳（メタデータ） (2026-02-19T05:14:09Z)
• GTS: Inference-Time Scaling of Latent Reasoning with a Learnable Gaussian Thought Sampler [54.10960908347221]
  我々は、学習可能な密度から条件付きサンプリングとして潜在思考探索をモデル化し、このアイデアをガウス思想サンプリング(GTS)としてインスタンス化する。 GTSは、連続的推論状態における文脈依存摂動分布を予測し、バックボーンを凍結させながらGRPOスタイルのポリシー最適化を訓練する。
  論文  参考訳（メタデータ） (2026-02-15T09:57:47Z)
• Model Correlation Detection via Random Selection Probing [62.093777777813756]
  既存の類似性に基づく手法では、モデルパラメータにアクセスしたり、しきい値なしでスコアを生成する必要がある。 本稿では,モデル相関検出を統計的テストとして定式化する仮説テストフレームワークであるランダム選択探索(RSP)を紹介する。 RSPは相関の証拠を定量化する厳密なp-値を生成する。
  論文  参考訳（メタデータ） (2025-09-29T01:40:26Z)
• Multi-View Causal Discovery without Non-Gaussianity: Identifiability and Algorithms [59.15672758767244]
  因果発見は、通常、非ガウス性のようなデータ生成モデルに対する強い仮定に依存する難しい問題である。 ここでは、この多視点構造を利用して、弱い仮定で因果発見を行う。 本稿では,複数視点因果探索アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-02-27T14:06:14Z)
• Inference-Time Selective Debiasing to Enhance Fairness in Text Classification Models [27.578390085427156]
  モデル全体の品質を高めるために設計された推論時間安全機構である選択的偏り(elective debiasing)を提案する。 潜在的なバイアスのあるモデル予測を特定し、それらを捨てる代わりに、後処理のデバイアス法であるLEACEを使ってこれらの予測からバイアスを取り除く。 エンコーダに基づく分類モデルを用いたテキスト分類データセットの実験では、選択的デバイアスは、後処理手法とデバイアス技術のパフォーマンスギャップを低減するのに役立つことが示されている。
  論文  参考訳（メタデータ） (2024-07-27T21:56:23Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Rigorous Assessment of Model Inference Accuracy using Language Cardinality [5.584832154027001]
  我々は,統計的推定を決定論的精度尺度に置き換えることで,モデル精度評価におけるバイアスと不確実性を最小化する体系的アプローチを開発する。 我々は、最先端の推論ツールによって推定されるモデルの精度を評価することによって、我々のアプローチの一貫性と適用性を実験的に実証した。
  論文  参考訳（メタデータ） (2022-11-29T21:03:26Z)

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。