論文の概要: Physically-Constrained Mamba-SDE for Remaining Useful Life Prediction under Irregular Observations

• arxiv url: http://arxiv.org/abs/2606.01894v1
• Date: Mon, 01 Jun 2026 08:37:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.618943
• Title: Physically-Constrained Mamba-SDE for Remaining Useful Life Prediction under Irregular Observations
• Title（参考訳）: 不規則観測下における生活予測のための身体拘束型マンバSDE
• Authors: Deyu Zhuang, Peiliang Gong, Yang Shao, Liyuan Shu, Qi Zhu, Xiaoli Li, Daoqiang Zhang,
• Abstract要約: 不規則な観測下でのロバストなRUL予測のための統合連続時間フレームワークであるPC-MambaSDEを提案する。 具体的には、パラメトリック整合ハイブリッドドリフトを用いた物理誘導潜水SDEを設計する。 また,現実的な産業不完全性をシミュレートするハイブリッド不規則性生成手法を開発した。
• 参考スコア（独自算出の注目度）: 26.807602340696047
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate Remaining Useful Life prediction is critical for industrial predictive maintenance. However, real-world deployment is challenging due to the irregular nature of sensor observations, characterized by asynchronous sampling, burst missingness, and temporal jitter. Compounding this issue, purely data-driven models often generate physically implausible degradation trajectories that violate the irreversible nature of damage accumulation. To address this, we propose PC-MambaSDE, a unified continuous-time framework for robust RUL prediction under irregular observations. Specifically, we design a Mask-Aware Continuous Mamba Encoder that explicitly leverages observation masks to extract context-rich control signals. Furthermore, we introduce a Physics-Guided Latent SDE with parametrically rectified hybrid drift, superimposing a global physical bias to enforce monotonic degradation even amid severe observation gaps. Additionally, we formulate RUL prediction as a boundary value problem via a Terminal Degradation Penalty, which decouples a Health Index dimension and applies a penalty loss to guide trajectories toward the failure state. Theoretically, we prove that our variational objective is mathematically equivalent to minimizing the KL divergence via Girsanov's theorem, and we guarantee the global asymptotic stability of the learned dynamics through Lyapunov analysis. To enable rigorous evaluation, we develop a Hybrid Irregularity Generation Scheme that simulates realistic industrial imperfections. Extensive experiments on public benchmarks demonstrate that PC-MambaSDE significantly outperforms state-of-the-art methods, particularly under extreme observation scarcity, validating the efficacy of embedding physical priors into continuous-time latent dynamics.
• Abstract（参考訳）: 正確な余命予測は、産業の予測維持に不可欠である。 しかし、非同期サンプリング、バースト欠如、時間ジッタを特徴とするセンサ観測の異常な性質のため、現実の展開は困難である。 この問題を複雑にすると、純粋にデータ駆動モデルはしばしば、損傷蓄積の不可逆的な性質に反する物理的に不可解な劣化軌道を生成する。 そこで本稿では,不規則な観測下でのロバストなRUL予測のための統合連続時間フレームワークであるPC-MambaSDEを提案する。 具体的には、観測マスクを明示的に活用し、文脈に富む制御信号を抽出するマスク対応連続型マンバエンコーダを設計する。 さらに,パラメトリック補正ハイブリッドドリフトを用いた物理誘導型潜伏型SDEを導入する。 さらに,RUL予測を端末劣化法により境界値問題として定式化し,健康指標の次元を分解し,障害状態への軌道案内にペナルティ損失を適用した。 理論的には、我々の変分目的は、ジルサノフの定理によるKLの発散を最小化することと数学的に等価であることを証明し、リャプノフ解析による学習力学の大域的漸近安定性を保証する。 厳密な評価を可能にするために,現実的な産業不完全性をシミュレートするハイブリッド不規則性生成手法を開発した。 PC-MambaSDEは、特に極度の観測不足下では最先端の手法を著しく上回り、物理前駆体を連続時間潜時力学に埋め込むことの有効性が実証された。

関連論文リスト

• Mitigating Error Amplification in Fast Adversarial Training [58.74042726356826]
  FAT(Fast Adversarial Training)は、ネットワークに摂動不変表現の学習を促すことによって、モデルロバスト性の向上に有効であることが証明されている。 FATは、しばしば破滅的なオーバーフィッティング(CO)に悩まされ、モデルがトレーニングアタックに過度に適合し、目に見えないものへの一般化に失敗する。 本稿では、摂動予算と監視信号の両方を動的に調整する分散対応動的ガイダンス(DDG)戦略を提案する。
  論文  参考訳（メタデータ） (2026-04-27T11:23:18Z)
• PDE-regularized Dynamics-informed Diffusion with Uncertainty-aware Filtering for Long-Horizon Dynamics [2.1129307468437513]
  我々はPDEに基づく正規化と不確実性を考慮した予測を統合した動的インフォームド拡散フレームワークを提案する。 PDYffusion は CRPS と MSE の点で優れた性能を示し,SSR による安定な不確実性挙動を維持した。
  論文  参考訳（メタデータ） (2026-04-10T07:37:38Z)
• Embracing Heteroscedasticity for Probabilistic Time Series Forecasting [22.43559255963294]
  Location-Scale Gaussian VAE (LSG-VAE) は、予測平均と時間依存分散の両方を明示的にパラメータ化する、単純だが効果的なフレームワークである。 LSG-VAEは、リアルタイムデプロイメントに適した高い計算効率を維持しながら、15の強力な生成ベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2026-03-25T12:48:50Z)
• When Sensors Fail: Temporal Sequence Models for Robust PPO under Sensor Drift [64.37959940809633]
  時間的持続的なセンサ故障下でのPPOのロバスト性について検討する。 トランスフォーマーを用いたシーケンスポリシーは, センサ数が少ない場合でも高いリターンを保ちながら, 堅牢性, RNN, SSMよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2026-03-04T22:21:54Z)
• 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)
• On the Provable Suboptimality of Momentum SGD in Nonstationary Stochastic Optimization [0.0]
  各種段差系における均一な凸性および滑らか性の下でのグラディエントDescentの追跡性能を解析した。 本研究では,ドリフトによる追従誤差を大幅に増幅し,追従能力に明らかなペナルティを与えることを示す。 これらの結果は、動的環境における運動量の経験的不安定性に対する決定的な理論的根拠を与える。
  論文  参考訳（メタデータ） (2026-01-18T03:27:21Z)
• Calibrating Geophysical Predictions under Constrained Probabilistic Distributions [4.760743517243988]
  我々は,正規化に基づくキャリブレーションアルゴリズムと,機械学習予測を強化するためにKSD(Kernelized Stein Discrepancy)を導入する。 これはポイントワイズ予測を鋭くするだけでなく、物理原理に根ざした非局所統計構造との整合性も強要する。
  論文  参考訳（メタデータ） (2025-11-28T07:15:40Z)
• Drift No More? Context Equilibria in Multi-Turn LLM Interactions [58.69551510148673]
  コンテキストドリフト(Contexts drift)とは、ターン間のゴール一貫性のある振る舞いからモデルが出力する出力の段階的なばらつきである。 シングルターンエラーとは異なり、ドリフトは時間的に展開し、静的な評価指標では捉えにくい。 マルチターンドリフトは、避けられない崩壊というよりも、制御可能な平衡現象として理解できることを示す。
  論文  参考訳（メタデータ） (2025-10-09T04:48:49Z)
• Physics-guided Active Sample Reweighting for Urban Flow Prediction [75.24539704456791]
  都市フロー予測は、バス、タクシー、ライド駆動モデルといった交通サービスのスループットを見積もる、微妙な時間的モデリングである。 最近の予測解は、物理学誘導機械学習(PGML)の概念による改善をもたらす。 我々は、PN(atized Physics-guided Network)を開発し、P-GASR(Physical-guided Active Sample Reweighting)を提案する。
  論文  参考訳（メタデータ） (2024-07-18T15:44:23Z)

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。