論文の概要: Weighted Conformal Prediction for Lab-to-Track Thermal Transfer in EV Motorsport Powertrains

• arxiv url: http://arxiv.org/abs/2607.02722v1
• Date: Thu, 02 Jul 2026 19:17:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.406802
• Title: Weighted Conformal Prediction for Lab-to-Track Thermal Transfer in EV Motorsport Powertrains
• Title（参考訳）: EVモータスポーツパワートレインにおけるラボ・トゥ・トラック熱伝達の重み付き等角予測
• Abstract要約: 高性能EVパワートレインの温度変動予測は、室内温度が研究室外で観測されることがほとんどないため困難である。 本研究では、共形予測を用いて、分布のない不確実性境界を提供する実験室間移動問題について検討する。 キャリブレーションモデルを用いて実際の2023F1テレメトリ(MonzaとSilverstone、ドライバVER)を、教師なしのアウト・オブ・ディストリビューション診断として適用する。
• 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: Predicting thermal volatility in high-performance EV powertrains is difficult as internal temperatures are rarely observable outside the lab, and models calibrated on lab drive cycles fail when deployed against real-world loads. We study this lab-to-track transfer problem using conformal prediction, offering distribution-free uncertainty bounds. We implement Ensemble Batch Prediction Intervals (EnbPI; Xu & Xie, 2021), a leave-one-out bootstrap-ensemble conformal method for autocorrelated time series, and calibrate it on real CALCE lithium-ion cycler data (A123 SP20 cells, FUDS profile). We evaluate it under a genuine, measured covariate shift: a second real CALCE test condition (US06 Highway Driving Schedule at 45°C). The unweighted EnbPI bound, achieving its nominal 95% coverage in-distribution (measured: 95.00%), degrades to 70.13% empirical coverage under this real shift. We introduce a weighted EnbPI procedure combining EnbPI's ensemble residuals with density-ratio weighting (Tibshirani et al., 2019), estimating the density ratio via a probabilistic domain classifier. This recovers coverage to 72.42%, a modest, honestly-reported improvement, not a complete fix. We additionally apply the calibrated model to real 2023 Formula 1 telemetry (Monza and Silverstone, driver VER) as an unsupervised out-of-distribution diagnostic. Because no internal thermal channel exists in public trackside telemetry, we report only unsupervised flag rates (65.6% at Monza, 58.0% at Silverstone, well above the 5% in-distribution base rate) and note inconsistent associations between flags and braking/DRS zones. We conclude that conformal domain adaptation is a promising but only partially solved tool for this problem, detailing exactly where it falls short.
• Abstract（参考訳）: 高性能EVパワートレインの熱ボラティリティの予測は、内部温度が研究室外で観測されることは稀であり、実験室の駆動サイクルで調整されたモデルが現実世界の負荷に対してデプロイされると失敗するため、困難である。 本研究では、共形予測を用いて、分布のない不確実性境界を提供する実験室間移動問題について検討する。 本研究では, 自己相関時系列のブートストラップアンサンブルコンフォメーション手法であるEnsemble Batch Prediction Intervals(EnbPI; Xu & Xie, 2021)を実装し, 実CALCEリチウムイオンサイクルデータ(A123 SP20セル, FUDSプロファイル)で校正する。 2番目の実CALCE試験条件 (US06 Highway Driving Schedule at 45°C) を実測した。 95.00%(95.00%)という名目上の95%の分布を達成したEnbPI境界は、この真のシフトの下で70.13%まで低下する。 本研究では,EnbPIのアンサンブル残差と密度比重付けを組み合わせたEnbPI法(Tibshirani et al , 2019)を導入し,確率的ドメイン分類器を用いて密度比を推定した。 これにより、カバー範囲は72.42%に回復する。 さらに,2023年式F1テレメトリ(MonzaとSilverstone,ドライバVER)のキャリブレーションモデルを,教師なしのアウト・オブ・ディストリビューション診断として適用した。 内部熱チャネルが公共の軌道側テレメトリに存在しないため,モンツァでは65.6%,シルバーストーンでは58.0%,分布内ベースレート5%をはるかに上回る)、旗とブレーキ/DRSゾーン間の不整合性について報告する。 我々は、共形領域適応は、この問題に対して有望であるが部分的に解決されたツールであり、それが不足している場所を正確に記述していると結論づける。

関連論文リスト

• The Calibration Channel Determines the Bayes-Error Proxy: An Exact Law for Temperature-Induced Distortion [0.0]
  石田らによるベイズエラー推定器ベータ(z) = E[min(z, 1-z)] は、確率値ラベルから直接二進タスクの既約誤差を推定する。 Ushioらによる最近の研究は、確率が真の後部でない場合、この推定器は脆弱であることを示した。 最も広く使われているポストホックキャリブレーションマップ -- 温度スケーリング -- がプロキシを歪めているのを正確に特徴付けます。
  論文  参考訳（メタデータ） (2026-07-20T17:07:26Z)
• Predictive Conformal Slip Monitoring: An Empirical Evaluation of Rolling Split Conformal Prediction for Pre-Incident Traction Loss Detection [0.0]
  本稿では, 転がり分割等角予測が, 統計的に起因前警告信号として機能するかどうかを考察する。 19人以上のドライバーと55,563人のテストフェーズのテレメトリサンプルで、このローリング揮発性検出器は基本的に0.0の精度を達成する。 我々はこれを方法論的に厳密な否定的な発見として報告し、その原因を診断し、このアプローチの真に予測可能なバージョンが要求されるものの概要を述べる。
  論文  参考訳（メタデータ） (2026-07-02T13:02:34Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Training-Free Probabilistic Time-Series Forecasting with Conformal Seasonal Pools [0.0]
  コンフォーマル・シーズン・プール(Conformal Seasonal Pools)は、訓練のない確率的時系列予測装置である。 CSPは、学習されたパラメータやトレーニングなしで、これらすべてを達成する。
  論文  参考訳（メタデータ） (2026-05-05T14:16:35Z)
• Confidence Calibration under Ambiguous Ground Truth [43.71398545904091]
  多数発声ラベルに装着したポストホックキャリブレータは、従来の評価ではよく校正される。 しかし、それらが根底にあるアノテータ分布に対してかなり誤解されている。 我々は,完全ラベル分布に対して適切なスコアリングルールを最適化する,あいまいさを意識したポストホックキャリブレータのファミリーを開発する。
  論文  参考訳（メタデータ） (2026-03-24T07:24:09Z)
• Bayesian Transformer for Probabilistic Load Forecasting in Smart Grids [0.0]
  本研究では,3つの相補的不確実性機構をPatchTSTバックボーンに統合したベイズ変圧器フレームワークを提案する。 7段階のマルチクエンタリーピンボールロス予測ヘッドと、訓練後の等音波回帰キャリブレーションにより、鋭く、ほぼ一意にカバーされた予測間隔が生成される。 主要なベンチマーク(PJM, H=24h)では、BTは0.0289のCRPSを達成し、Deep Ensemblesより7.4%、決定論的LSTMより29.9%改善した。
  論文  参考訳（メタデータ） (2026-03-09T02:39:51Z)
• Assessing the Limits of Graph Neural Networks for Vapor-Liquid Equilibrium Prediction: A Cryogenic Mixture Case Study [3.765010805872486]
  本研究では、GERG-2008/CoolPropデータに基づいてトレーニングされた構造対応グラフニューラルネットワーク(GNN; DimeNet++)が、状態方程式(EoS)の実用的なサロゲートとして機能するかどうかを問う。 我々は90～200K以上の3次データセットと100バーへの圧力を生成し、15%密度フィルタ(5,200状態を1,516に還元する)でキュレートし、各状態と軽量な分子力学スナップショットを組み合わせて構造特性の供給を行う。 我々は、構成上、この研究におけるサロゲートは、VLEに対して平衡対応可能ではなく、実行時利益を提供しない、と結論づける。
  論文  参考訳（メタデータ） (2025-09-10T16:10:58Z)
• Adapt in the Wild: Test-Time Entropy Minimization with Sharpness and Feature Regularization [85.50560211492898]
  テスト時適応(TTA)は、テストデータが分散シフトが混在している場合、モデルの性能を改善または損なう可能性がある。 これはしばしば、既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。 両面からTTAを安定化させるため,SARと呼ばれる鋭く信頼性の高いエントロピー最小化手法を提案する。
  論文  参考訳（メタデータ） (2025-09-05T10:03:00Z)
• Robust Conformal Prediction under Distribution Shift via Physics-Informed Structural Causal Model [24.58531056536442]
  整形予測(CP)は、テスト入力上の集合を予測することによって不確実性を扱う。 このカバレッジは、キャリブレーションとテストデータセットの差分分布が$P_X$であったとしても、テストデータ上で保証することができる。 本稿では,上界を小さくする物理インフォームド構造因果モデル(PI-SCM)を提案する。
  論文  参考訳（メタデータ） (2024-03-22T08:13:33Z)
• Test-Time Adaptation Induces Stronger Accuracy and Agreement-on-the-Line [65.14099135546594]
  最近のテスト時間適応 (TTA) 法は, モデルに非常に弱い相関関係を示すシフトであっても, ACL と AGL の傾向を大幅に強化する。 この結果から,TTAとAGLに基づく推定手法を組み合わせることで,より広い分布シフトの集合に対する高精度なモデルOOD性能を推定できることが示唆された。
  論文  参考訳（メタデータ） (2023-10-07T23:21:25Z)
• Towards Stable Test-Time Adaptation in Dynamic Wild World [60.98073673220025]
  テスト時間適応(TTA)は、与えられたモデルをテストサンプルに適応させることで、トレーニングとテストデータの分散シフトに取り組むのに有効であることが示されている。 TTAのオンラインモデル更新は不安定であり、これはしばしば既存のTTAメソッドが現実世界にデプロイされるのを防ぐ重要な障害である。
  論文  参考訳（メタデータ） (2023-02-24T02:03:41Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)

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。