論文の概要: Bridging Data Gaps in Structural Fragility Modeling through Transfer Learning: Methodology and Case Studies
- arxiv url: http://arxiv.org/abs/2606.18567v1
- Date: Wed, 17 Jun 2026 00:38:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-18 17:16:50.945351
- Title: Bridging Data Gaps in Structural Fragility Modeling through Transfer Learning: Methodology and Case Studies
- Title（参考訳）: 伝達学習による構造欠陥モデリングにおけるブリッジデータギャップ-手法とケーススタディ
- Authors: Narges Saeednejad, Jamie Ellen Padgett,
- Abstract要約: 本稿では,ドメインシフト,クラス不均衡,ターゲットラベルの不足による脆弱性適応のための方法論中心の伝達学習フレームワークを提案する。
4つの移行学習戦略は3つの相補的なケーススタディによって実証される。
脆弱性モデルの開発と適用において、診断、戦略選択、不確実性報告に関する体系的なガイダンスの必要性を強調している。
- 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: This paper presents a methodology-centered transfer learning framework for fragility adaptation under domain shift, class imbalance, and scarce target labels while preserving engineering interpretability and supporting decision-making under uncertainty. Four transfer learning strategies (instance-based, parameter-based, hierarchical Bayesian, and multi-source) are demonstrated through three complementary case studies: (i) instance-based transfer learning via importance weighting, demonstrated on coastal bridge fragility using Hurricane Katrina observations; (ii) parameter-based transfer learning together with hierarchical Bayesian transfer learning, enabling partial pooling across strata and posterior uncertainty quantification, demonstrated on residential building fragility using Hurricane Ian observations; and (iii) multi-source transfer learning that fuses multiple analytical fragility models with learned source weights and regularized target-domain adaptation, demonstrated on seismic bridge fragility using observations from the 2001 Nisqually earthquake. Across these case studies, direct transfer of source models (i.e. using existing state-of-the-art models) fails under domain shift and severe class imbalance, while targeted adaptation substantially improves failure detection and predictive stability in low-data regimes. These findings highlight the need for systematic guidance on diagnostics, strategy selection, and uncertainty reporting when developing and adapting fragility models.
- Abstract（参考訳）: 本稿では,工学的解釈性を維持しつつ,不確実性を考慮した意思決定を支援するとともに,ドメインシフト,クラス不均衡,ターゲットラベルの不足による脆弱性適応のための方法論中心の伝達学習フレームワークを提案する。
4つの移行学習戦略(インスタンスベース、パラメータベース、階層ベイズ、マルチソース)が3つの補完的なケーススタディを通して実証された。
(i)ハリケーン・カトリーナ観測による沿岸橋梁の不安定性を示す重み付けによる事例ベース伝達学習
二 パラメータに基づく移動学習と階層的ベイズ移動学習を併用し、成層圏を横断する部分プールと後続の不確実性定量化を実現し、ハリケーンIan観測による住宅の脆弱性を示すこと。
三 震源重みと正規化対象領域適応とを融合した多元移動学習は、2001年日比地震の観測結果を用いて、地震橋の不安定性について実証した。
これらのケーススタディ全体で、ソースモデルの直接転送(すなわち既存の最先端モデルを使用する)はドメインシフトと厳しいクラス不均衡の下で失敗し、ターゲット適応は低データ体制における障害検出と予測安定性を大幅に改善する。
これらの知見は、脆弱性モデルの開発と適応において、診断、戦略選択、不確実性報告に関する体系的なガイダンスの必要性を強調している。
関連論文リスト
- 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) - A Knowledge-Informed Pretrained Model for Causal Discovery [61.8885572392623]
因果発見は広く研究されてきたが、多くの既存の手法は強い仮定に依存している。
本稿では,弱い事前知識を原則的中核として統合した,因果発見のための知識インフォームド事前学習モデルを提案する。
本モデルでは,2つのソースエンコーダ・デコーダアーキテクチャを用いて,観測データを知識に富んだ方法で処理する。
論文 参考訳（メタデータ） (2026-03-21T14:59:41Z) - Towards Understanding Feature Learning in Parameter Transfer [47.063219231351916]
上流モデルと下流モデルの両方がReLU畳み込みニューラルネットワーク(CNN)である設定を解析する。
我々は、継承されたパラメータが普遍的な知識のキャリアとしてどのように振る舞うかを特徴付け、目的のタスクに対するそれらの有益な影響を増幅する重要な要因を識別する。
我々の分析は、ある場合において、新しいモデルをスクラッチからトレーニングするよりも、パラメータの転送がターゲットタスクのテスト精度を低下させる可能性がある理由を洞察する。
論文 参考訳（メタデータ） (2025-09-26T08:37:54Z) - Model-Based Transfer Learning for Real-Time Damage Assessment of Bridge Networks [0.0]
本研究では,ニューラルネットワークサロゲートモデルを用いたモデルに基づく移動学習手法を提案する。
これらのモデルは共有障害メカニズムをキャプチャし、スケーラブルで汎用的な監視フレームワークをサポートする。
その結果,損傷部位,重症度,範囲に高い感度が認められた。
論文 参考訳（メタデータ） (2025-09-09T11:29:44Z) - Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。
中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。
本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
論文 参考訳（メタデータ） (2025-07-09T20:09:00Z) - Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。
この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
論文 参考訳（メタデータ） (2025-03-31T10:16:03Z) - The Risk of Federated Learning to Skew Fine-Tuning Features and
Underperform Out-of-Distribution Robustness [50.52507648690234]
フェデレートされた学習は、微調整された特徴をスキイングし、モデルの堅牢性を損なうリスクがある。
3つのロバスト性指標を導入し、多様なロバストデータセットで実験を行う。
提案手法は,パラメータ効率のよい微調整手法を含む多種多様なシナリオにまたがるロバスト性を著しく向上させる。
論文 参考訳（メタデータ） (2024-01-25T09:18:51Z) - Robust Transfer Learning with Unreliable Source Data [11.813197709246289]
対象関数とソース回帰関数との差を測定する「あいまい度レベル」と呼ばれる新しい量を導入する。
本稿では, 簡単な伝達学習手法を提案し, この新しい量が学習の伝達可能性にどのように関係しているかを示す一般的な定理を確立する。
論文 参考訳（メタデータ） (2023-10-06T21:50:21Z) - Towards Robust and Adaptive Motion Forecasting: A Causal Representation
Perspective [72.55093886515824]
本稿では,3つの潜伏変数群からなる動的過程として,運動予測の因果的形式化を導入する。
我々は、因果グラフを近似するために、不変なメカニズムやスタイルの共創者の表現を分解するモジュラーアーキテクチャを考案する。
合成および実データを用いた実験結果から,提案した3つの成分は,学習した動き表現の頑健性と再利用性を大幅に向上することが示された。
論文 参考訳（メタデータ） (2021-11-29T18:59:09Z) - Versatile and Robust Transient Stability Assessment via Instance
Transfer Learning [6.760999627905228]
本稿では,電力系統力学の知識を取り入れたデータ駆動型アルゴリズムに新たなデータ収集手法を提案する。
不安定領域に関する重要な情報を提供する断層影響領域という新しい概念を導入する。
IEEE 39バスシステムのテスト結果は、このモデルがこれまで見つからなかった運用シナリオの安定性を正確に予測できることを検証します。
論文 参考訳（メタデータ） (2021-02-20T09:10:29Z)
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。