論文の概要: Understanding Deterioration Random Effects for Causal Discovery in Infrastructure Management

• arxiv url: http://arxiv.org/abs/2605.20400v1
• Date: Tue, 19 May 2026 18:57:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-21 19:19:56.331209
• Title: Understanding Deterioration Random Effects for Causal Discovery in Infrastructure Management
• Title（参考訳）: インフラ管理における因果発見における劣化ランダム効果の理解
• Authors: Takato Yasuno,
• Abstract要約: 本稿では,ベイズ的階層的ハザードモデリングと因果発見を組み合わせ,ポンプ装置の劣化率を推し進める操作パターンを同定する新しい枠組みを提案する。 本研究は,異なる運用体制が根本的に異なる管理アプローチを必要とすることを明らかにすることにより,目標とする保守戦略を可能にする。
• 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: Infrastructure deterioration poses significant challenges for asset management, yet existing approaches rely on population-averaged models that overlook equipment-specific heterogeneity. We present a novel framework that combines Bayesian hierarchical hazard modeling with causal discovery to identify operational patterns that drive heterogeneous deterioration rates in pump equipment. Our approach first estimates pump-specific random effects $u_i$ using GPU-accelerated No-U-Turn Sampling (NUTS), achieving 3--5$\times$ speedup over CPU implementations. We then employ DirectLiNGAM to discover causal relationships between 22 engineered time-series features and deterioration rates, stratified by positive ($u_i > 0$, faster deterioration) versus negative ($u_i \leq 0$, slower deterioration) random effects. Analyzing 112 pumps with 92,861 observations over 650 days, we uncover striking heterogeneity: the negative group exhibits causal effects 400$\times$ larger than the positive group, with standard deviation (std) showing a strong positive causal effect ($+1.515$) on deterioration rates in low-risk equipment. We validate linearity assumptions through NonlinearLiNGAM comparison and demonstrate practical scalability through GPU acceleration. Our findings enable targeted maintenance strategies by revealing that different operational regimes require fundamentally distinct management approaches, advancing predictive maintenance from population-averaged to heterogeneity-aware decision making.
• Abstract（参考訳）: インフラの劣化は資産管理に重大な課題をもたらすが、既存のアプローチは機器固有の不均一性を見下ろす平均的なモデルに依存している。 本稿では,ベイズ的階層的ハザードモデリングと因果発見を組み合わせて,ポンプ装置の不均一な劣化率を駆動する動作パターンを同定する新しい枠組みを提案する。 提案手法はまず,GPUアクセラレーションされたNo-U-Turn Smpling (NUTS) を用いてポンプ固有のランダムエフェクト$u_i$を推定し,CPU実装よりも3～5$\times$の高速化を実現する。 次に、DirectLiNGAMを用いて、22のエンジニアリングされた時系列特徴と劣化率の間の因果関係を発見し、正(u_i > 0$, 高速劣化)と負(u_i \leq 0$, 劣化低下)のランダム効果によって階層化する。 650日間に92,861回の観測を行った112個のポンプを解析したところ、顕著な不均一性が判明した: 負のグループは正の群よりも400$\times$大きい因果効果を示し、標準偏差(std)は低リスク装置の劣化速度に強い正の因果効果(+1.515$)を示す。 非線形LiNGAM比較により線形性仮定を検証し,GPUアクセラレーションによる実用的なスケーラビリティを示す。 本研究は,集団平均から異質性を考慮した意思決定への予測的保守を推し進めることにより,異なる運用体制が根本的に異なる管理アプローチを必要とすることを明らかにすることにより,目標とする保守戦略を可能にする。

関連論文リスト

• Mask2Cause: Causal Discovery via Adjacency Constrained Causal Attention [0.13764085113103217]
  本稿では,予測前方通過時に,基礎となる因果グラフを直接復元するエンドツーエンドフレームワークを提案する。 推定因果構造を用いて予測モデルのパラメータ数を平均70%以上削減できることを示す。
  論文  参考訳（メタデータ） (2026-05-08T05:43:47Z)
• Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
  構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。 グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。 特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
  論文  参考訳（メタデータ） (2026-04-20T16:43:28Z)
• $V_{0.5}$: Generalist Value Model as a Prior for Sparse RL Rollouts [81.48669089692189]
  一般値モデル(例えば$V_0.5$)は、コンテキスト内のモデル機能を明示的にエンコードすることで、事前訓練された値推定を実現する。 本稿では,このような値モデルにより予測されるベースラインと,スパースロールアウトから導出される経験的平均とを適応的に融合する$V_0.5$を提案する。 V_0.5$はGRPOとDAPOを大きく上回り、より高速な収束と約10%のパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2026-03-11T14:57:41Z)
• Robust Machine Learning for Regulatory Sequence Modeling under Biological and Technical Distribution Shifts [0.3948325938742681]
  性能劣化、校正失敗、不確実性に基づく信頼性を定量化するためのロバストネスフレームワークを導入する。 シミュレーションでは、セル型特異的プログラム、摂動、GCバイアス、深さ変化、バッチ効果、ヘテロscedastic noiseによってモチーフ駆動の制御出力が生成される。 モデルは精度は保たれるが、高い誤差、激しいばらつきの誤校正、モチーフ効果の反転とノイズによるカバー崩壊が支配的な体制である。
  論文  参考訳（メタデータ） (2026-01-21T13:15:27Z)
• Benign Overfitting in Out-of-Distribution Generalization of Linear Models [19.203753135860016]
  我々は、アウト・オブ・ディストリビューション(OOD)体制における良心過剰の理解に向けて、最初の一歩を踏み出した。 我々は、標準的な隆起回帰において良性過剰適合が生じることを証明する非漸近保証を提供する。 また、より一般的な目標共分散行列の族についても理論的結果を示す。
  論文  参考訳（メタデータ） (2024-12-19T02:47:39Z)
• Breaking Boundaries: Balancing Performance and Robustness in Deep Wireless Traffic Forecasting [11.029214459961114]
  正確性と堅牢性の間のトレードオフのバランスをとることは、時系列予測における長年の課題である。 本研究では,様々な摂動シナリオを考察し,実世界の通信データを用いた敵攻撃に対する防御機構を提案する。
  論文  参考訳（メタデータ） (2023-11-16T11:10:38Z)
• Clustering Effect of (Linearized) Adversarial Robust Models [60.25668525218051]
  本稿では, 敵の強靭性に対する新たな理解を提案し, ドメイン適応や頑健性向上といったタスクに適用する。 提案したクラスタリング戦略の合理性と優越性を実験的に評価した。
  論文  参考訳（メタデータ） (2021-11-25T05:51:03Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)
• Adaptive Control and Regret Minimization in Linear Quadratic Gaussian (LQG) Setting [91.43582419264763]
  我々は不確実性に直面した楽観主義の原理に基づく新しい強化学習アルゴリズムLqgOptを提案する。 LqgOptはシステムのダイナミクスを効率的に探索し、モデルのパラメータを信頼区間まで推定し、最も楽観的なモデルのコントローラをデプロイする。
  論文  参考訳（メタデータ） (2020-03-12T19:56:38Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。