論文の概要: LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference

• arxiv url: http://arxiv.org/abs/2607.06111v1
• Date: Tue, 07 Jul 2026 10:21:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.492774
• Title: LLM-Guided Measurement Credibility Correction for Trustworthy Industrial Process Inference
• Title（参考訳）: 信頼性の高い産業プロセス推論のためのLCM誘導測定精度補正
• Abstract要約: 本稿では,LLMガイドによる測定精度の補正を提案する。 プロセス文書中の測定の意味を数値モデルで使用可能な測定意味に変換する。 意味的に修飾された外部測定から独立したプロセス参照を構築し、局所的な測定競合を修正する。
• 参考スコア（独自算出の注目度）: 4.492444446637856
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial prediction and soft sensing depend on credible input measurements. In field deployment, a predictor may receive biased, delayed, stale, or derived measurements that still look plausible. Prediction can then fail before the forecasting backbone becomes the main limitation, because the input window no longer represents the real process. Sensor reconstruction, data reconciliation, and fault-tolerant soft sensing reduce this risk, but they often rely on numerical correlation, alarms, fault labels, or explicit process equations. These assumptions are not always available. A correlated variable can also be an unsafe reference when variables share instruments, derived formulas, soft-sensing chains, or control actions. The key issue is to decide before prediction which external measurements can credibly support the current measurement. To address this issue, this article proposes LLM-Guided Measurement Credibility Correction (MCC). MCC converts measurement meanings in process documents into measurement semantics usable by numerical models. It builds independent process references from semantically qualified external measurements and corrects local measurement conflicts before prediction. The predictor therefore receives a more credible input window. Across multiple complex industrial forecasting and soft-sensing tasks, +MCC achieves average relative MAE reductions of 30.7% on real-test protocols and 80.3% on controlled-corruption protocols. It adds only 0.5--2.0k online parameters, with the slowest +MCC inference time at 0.089 ms/step. These results show that measurement semantics can turn process documents into lightweight pre-inference credibility correction and improve prediction accuracy.
• Abstract（参考訳）: 工業的予測とソフトセンシングは、信頼できる入力測定に依存する。 現場での展開では、予測器はバイアス、遅延、老朽化、あるいはまだ妥当に見える測定値を受け取ることができる。 入力ウィンドウはもはや実際のプロセスを表していないため、予測バックボーンが主な制限になる前に予測が失敗する可能性がある。 センサ再構成、データ調整、フォールトトレラントなソフトセンシングは、このリスクを軽減するが、数値相関、アラーム、フォールトラベル、明示的なプロセス方程式に依存することが多い。 これらの仮定は必ずしも利用できない。 相関変数は、変数が楽器、導出式、ソフトセンシングチェーン、制御アクションを共有するときの安全でない参照でもある。 鍵となる問題は、現在の測定を確実に支援できる外部測定を予測する前に決定することである。 本稿では, LLM-Guided Measurement Credibility Correction (MCC)を提案する。 MCCは、プロセス文書中の測定の意味を数値モデルで使用可能な測定意味に変換する。 セマンティックに修飾された外部測定から独立したプロセス参照を構築し、予測の前に局所的な測定競合を修正する。 したがって、予測子はより信頼できる入力ウィンドウを受け取る。 複数の複雑な産業予測タスクとソフトセンシングタスクにまたがって、+MCCは実数テストプロトコルで30.7%、制御破壊プロトコルで80.3%の相対MAE削減を実現している。 オンラインパラメータは0.5-2.0kで、最も遅い+MCC推論時間は0.089ms/stepである。 これらの結果は,プロセス文書を軽量な事前参照信頼性補正に変換し,予測精度を向上させることを示唆している。

関連論文リスト

• LLM-based Agents for Forecasting and Prediction: Methods, Training, Evaluation, and Applications [76.41731220830714]
  大規模言語モデル(LLM)は、言語ベースの推論と時間的データ、エビデンス検索、外部ツール、反復予測を組み合わせた予測システムをサポートするようになった。 ファイナンス、天気、健康、エネルギー、オペレーションの応用について検討し、評価に使用されるベンチマークとデータセットを要約する。
  論文  参考訳（メタデータ） (2026-08-24T10:02:39Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Conformal Reliability: A New Evaluation Metric for Conditional Generation [62.761166941396844]
  条件付き生成モデルは、近年、様々な応用において顕著な成功を収めている。 本稿では,信頼度を事前に設定した予測値に基づいて,信頼度という新たな評価指標を提案する。 本稿では, 予測セットの構築と, (ii) 構築した予測セット内の信頼性スコアを正確に最適化するフレームワークであるConformal Reliability(CReL)を紹介する。
  論文  参考訳（メタデータ） (2026-05-29T03:52:44Z)
• Assessing and Mitigating Miscalibration in LLM-Based Social Science Measurement [10.552494876804511]
  大規模言語モデル(LLM)は、スケーラブルな測定ツールとして社会科学でますます使われている。 本稿では, LLMを用いた社会科学測定におけるモデル誤校正について検討する。
  論文  参考訳（メタデータ） (2026-05-12T11:06:33Z)
• Hidden Measurement Error in LLM Pipelines Distorts Annotation, Evaluation, and Benchmarking [0.20305676256390937]
  本論文は,不確実性を情報源に分解し,より多くのデータで縮小する分散を識別し,総誤差を低減するためにデザインスタディ・プロジェクションを用いる。 イデオロギーアノテーション、安全性分類、MMLUベンチマーク、および人間公認プロパガンダ監査へのアプローチの適用により、ドメインとスコアリング方法によって異なる支配的な分散源が明らかになる。
  論文  参考訳（メタデータ） (2026-04-13T14:58:15Z)
• Information Fidelity in Tool-Using LLM Agents: A Martingale Analysis of the Model Context Protocol [69.11739400975445]
  モデルコンテキストプロトコル(MCP)エージェントにおけるエラー蓄積を解析するための最初の理論的枠組みを紹介する。 累積歪みが線形成長と高確率偏差を$O(sqrtT)$で表すことを示す。 主な発見は、意味重み付けは歪みを80%減らし、周期的再接地は、エラー制御の約9ステップごとに十分である。
  論文  参考訳（メタデータ） (2026-02-10T21:08:53Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Performance Estimation in Binary Classification Using Calibrated Confidence [0.5399800035598186]
  混乱行列を用いて定義された任意の二項分類基準を推定できる新しい手法CBPEを提案する。 CBPEは強い理論的保証と有効な信頼区間を持つ推定値を生成する。
  論文  参考訳（メタデータ） (2025-05-08T14:34:44Z)
• On the good reliability of an interval-based metric to validate prediction uncertainty for machine learning regression tasks [0.0]
  本研究では,不確実性の平均校正を予測するための(より)信頼性の高い検証手法を提案する。 不確実性や誤差分布の重みの存在に非常に敏感な分散ベースのキャリブレーション指標を考えると、間隔ベースの測度であるPICP(Prediction Interval Coverage Probability)へのシフトが提案される。 結果のPICPは、分散ベースのキャリブレーション指標よりも迅速かつ確実に検査される。
  論文  参考訳（メタデータ） (2024-08-23T14:16:10Z)
• SMURF-THP: Score Matching-based UnceRtainty quantiFication for Transformer Hawkes Process [76.98721879039559]
  SMURF-THPは,変圧器ホークス過程を学習し,予測の不確かさを定量化するスコアベース手法である。 具体的には、SMURF-THPは、スコアマッチング目標に基づいて、イベントの到着時刻のスコア関数を学習する。 我々は,イベントタイプ予測と到着時刻の不確実性定量化の両方において,広範な実験を行う。
  論文  参考訳（メタデータ） (2023-10-25T03:33:45Z)
• SLOE: A Faster Method for Statistical Inference in High-Dimensional Logistic Regression [68.66245730450915]
  実用データセットに対する予測の偏見を回避し、頻繁な不確実性を推定する改善された手法を開発している。 私たちの主な貢献は、推定と推論の計算時間をマグニチュードの順序で短縮する収束保証付き信号強度の推定器SLOEです。
  論文  参考訳（メタデータ） (2021-03-23T17:48:56Z)

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。