論文の概要: Predictive Repair Management Using a Multi-Head Attention Transformer and Online Learning

• arxiv url: http://arxiv.org/abs/2606.21364v1
• Date: Fri, 19 Jun 2026 12:11:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 14:04:13.449916
• Title: Predictive Repair Management Using a Multi-Head Attention Transformer and Online Learning
• Title（参考訳）: マルチヘッドアテンション変換器とオンライン学習を用いた予測的修復管理
• Authors: Xinyao Zhang, Willie Cade, Karl R. Haapala, Arun Natarajan, Sara Behdad,
• Abstract要約: 本研究は,艦隊修理業者が製品履歴データに基づいて修理時間を正確に分類するのを支援するためのディープラーニングフレームワークを開発することを目的とする。 このフレームワークは、埋め込みやアテンション機構を通じて変換されたカテゴリ情報と、数値的な歴史的データを組み合わせる。 このモデルは2013年から2020年までの実際の修理データでテストされ、精度は78%に達する。
• 参考スコア（独自算出の注目度）: 1.2520749917097442
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate prediction of repair duration is an important challenge in product maintenance due to its implications for resource allocation, customer satisfaction, and operational performance. This study aims to develop a deep learning framework to help fleet repair shops accurately categorize repair time given product historical data. The study uses an automobile repair and maintenance dataset and creates an end-to-end predictive framework by employing a multi-head attention network designed for tabular data. The developed framework combines categorical information, transformed through embeddings and attention mechanisms, with numerical historical data to facilitate integration and learning from diverse data features. A weighted loss function is introduced to overcome class imbalance issues in large datasets. Moreover, an online learning strategy is used for continuous incremental model updates to maintain predictive accuracy in evolving operational environments. Our empirical findings demonstrate that the multi-head attention mechanism extracts meaningful interactions between vehicle identifiers and repair types compared to a feed-forward neural network and a random forest model. Also, combining historical maintenance data with an online learning strategy facilitates real-time adjustments to changing patterns and increases the model's predictive performance on new data. The model is tested on real-world repair data spanning 2013 to 2020 and achieves an accuracy of 78%, with attention weight analyses illustrating feature interactions.
• Abstract（参考訳）: 修理期間の正確な予測は、資源配分、顧客満足度、運用実績に影響を及ぼすため、製品メンテナンスにおいて重要な課題である。 本研究は,艦隊修理業者が製品履歴データに基づいて修理時間を正確に分類するのを支援するためのディープラーニングフレームワークを開発することを目的とする。 この研究は、自動車の修理とメンテナンスのデータセットを使用し、表データ用に設計されたマルチヘッドアテンションネットワークを利用することで、エンドツーエンドの予測フレームワークを作成する。 開発したフレームワークは,埋め込みやアテンション機構を通じて変換されるカテゴリ情報と,さまざまなデータ特徴の統合と学習を容易にする数値的履歴データを組み合わせる。 大規模データセットのクラス不均衡問題を克服するために、重み付き損失関数が導入された。 さらに、オンライン学習戦略は、進化する運用環境における予測精度を維持するために、継続的インクリメンタルモデル更新に使用される。 実験により,マルチヘッドアテンション機構は,フィードフォワードニューラルネットワークとランダムフォレストモデルと比較して,車両識別子と修理タイプとの有意義な相互作用を抽出することを示した。 また、過去の保守データをオンライン学習戦略と組み合わせることで、パターンの変化に対するリアルタイムな調整が容易になり、新しいデータに対するモデルの予測性能が向上する。 このモデルは2013年から2020年にかけての現実世界の修理データでテストされ、注意重み分析によって特徴の相互作用を解明し、精度は78%に達する。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Modeling Behavior Change for Multi-model At-Risk Students Early Prediction (extended version) [10.413751893289056]
  現在のモデルは、単純かつ離散的な行動パターンを通じて、一貫してパフォーマンスの悪い学生を識別する。 我々は,中学校の教師の発言データと数値グレードデータを利用した,革新的な予測モデルであるMultimodal-ChangePoint Detection (MCPD)を開発した。 本モデルでは,ベースラインアルゴリズムの平均性能を約5～10%向上させるとともに,70～75%の精度範囲を達成している。
  論文  参考訳（メタデータ） (2025-02-19T11:16:46Z)
• What Really Matters for Learning-based LiDAR-Camera Calibration [50.2608502974106]
  本稿では,学習に基づくLiDAR-Cameraキャリブレーションの開発を再考する。 我々は、広く使われているデータ生成パイプラインによる回帰ベースの手法の限界を識別する。 また,入力データ形式と前処理操作がネットワーク性能に与える影響についても検討する。
  論文  参考訳（メタデータ） (2025-01-28T14:12:32Z)
• Goldfish: An Efficient Federated Unlearning Framework [3.956103498302838]
  Goldfishは機械学習アルゴリズムのための新しいフレームワークだ。 基本モデル、損失関数、最適化、拡張の4つのモジュールで構成されている。 既存の機械学習アルゴリズムの妥当性の低い課題に対処するため,新しい損失関数を提案する。
  論文  参考訳（メタデータ） (2024-04-04T03:29:41Z)
• Pseudo Replay-based Class Continual Learning for Online New Category Anomaly Detection in Advanced Manufacturing [5.012204041812572]
  本稿では,新しい擬似リプレイ型連続学習フレームワークを開発する。 クラスインクリメンタル学習とオーバーサンプリングベースのデータ生成を統合している。 提案手法の有効性を3つのケーススタディで検証した。
  論文  参考訳（メタデータ） (2023-12-05T04:43:23Z)
• Safe AI for health and beyond -- Monitoring to transform a health service [51.8524501805308]
  機械学習アルゴリズムの出力を監視するために必要なインフラストラクチャを評価する。 モデルのモニタリングと更新の例を示す2つのシナリオを提示します。
  論文  参考訳（メタデータ） (2023-03-02T17:27:45Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)

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。