論文の概要: Benchmarking Sensor Robustness in Plasma Diagnostic Models: A Systematic Evaluation on TokaMark

• arxiv url: http://arxiv.org/abs/2607.11915v1
• Date: Sun, 05 Jul 2026 20:02:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:29.87939
• Title: Benchmarking Sensor Robustness in Plasma Diagnostic Models: A Systematic Evaluation on TokaMark
• Title（参考訳）: プラズマ診断モデルにおけるベンチマークセンサのロバスト性:TokaMarkのシステム評価
• Abstract要約: トカマク核融合装置のプラズマ診断モデルは、クリーンで完全なセンサーデータに基づいてほぼ普遍的に評価される。 実際には、核融合診断は定期的に失敗し、取得システムは遅くから始まり、個々のセンサーが死に、信号のドロップアウトクラスタが停止する。 11,573枚のMAST画像のTokaMarkデータセットを用いて,プラズマ診断MLの最初の系統的ロバスト性評価を行った。
• 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: Plasma diagnostic models for tokamak fusion devices are almost universally evaluated on clean, complete sensor data. In practice, fusion diagnostics fail regularly: acquisition systems start late, individual sensors die, and signal dropouts cluster precisely when a plasma disruption is approaching. We present the first systematic robustness benchmark for plasma diagnostic ML using the TokaMark dataset of 11,573 MAST shots, evaluating XGBoost, LSTM, Transformer, and the TokaMark CNN baseline across six physically-grounded failure scenarios and three imputation strategies. We introduce the Robustness Score (RS) for standardized cross-architecture comparison. Our central finding is that disruption-proximate sensor failure (corruption injected in the final window timesteps) collapses sequence model performance (LSTM +212% NRMSE) while a statistical feature model remains comparatively stable (XGBoost +37%). Forward-fill imputation eliminates nearly all degradation from random dropout for sequence models (LSTM +57% to ~0%), but offers little help when the end of the window is corrupted. Shot-level alarm evaluation using ground-truth disruption timestamps reveals that LSTM alarm detection collapses to TPR=0.00 under proximate sensor failure, while mean-fill imputation recovers it to TPR=1.00, a reversal of the pattern observed in NRMSE. Plasma current emerges as the single most critical diagnostic across all architectures (+73% to +140% upon removal). Code, data, and trained checkpoints are available at https://github.com/Neerav-Gupta/tokamark-robustness.
• Abstract（参考訳）: トカマク核融合装置のプラズマ診断モデルは、クリーンで完全なセンサーデータに基づいてほぼ普遍的に評価される。 実際には、核融合診断は定期的に失敗し、取得システムは遅くから始まり、個々のセンサーが死ぬ。 我々は,XGBoost,LSTM,Transformer,およびTokaMark CNNベースラインを6つの物理的障害シナリオと3つの命令戦略で評価し,11,573 MASTショットのTokaMarkデータセットを用いたプラズマ診断MLのための最初の体系的ロバストネスベンチマークを提案する。 本稿では、標準化されたクロスアーキテクチャ比較のためのロバストネススコア(RS)を紹介する。 我々の中心的な発見は、破壊確率センサの故障(最後のウィンドウタイムステップで発生する破壊)がシーケンスモデル性能(LSTM + 212% NRMSE)を崩壊させ、統計的特徴モデルが比較的安定(XGBoost + 37%)であることです。 前向きの計算では、シーケンスモデルのランダムなドロップアウト(LSTM +57%から ~0%)からほとんどすべての劣化を排除しているが、ウィンドウの端が破損した場合はほとんど助けにならない。 地中破壊タイムスタンプを用いたショットレベルアラーム評価では、LSTMアラーム検出は近接センサ故障時にTPR=0.00に崩壊し、平均充填計算ではNRMSEで観測されたパターンの逆転であるTPR=1.00に回復する。 プラズマ電流は、すべてのアーキテクチャで最も重要な診断(除去後+73%から+140%)として現れる。 コード、データ、トレーニングされたチェックポイントはhttps://github.com/Neerav-Gupta/tokamark-robustness.comで入手できる。

関連論文リスト

• Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
  ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。 本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
  論文  参考訳（メタデータ） (2026-07-23T09:59:30Z)
• Anomaly Detection for Electro-Hydrostatic Actuators using LSTM Autoencoder [0.3262230127283452]
  本研究では、制御されたテストベンチから収集した温度と圧力データに着目し、EHAセンサ信号のオフライン異常検出フレームワークを提案する。 本手法では, 復元型Long Short-Term Memory(LSTM)オートエンコーダを用いて, 検証セットの復元エラー分布を用いて校正・評価を行う。 LSTMオートエンコーダの平均精度は99.0%、精度は100%、リコールは90.2%から99.6%、F1スコアは93.1%から99.8%に向上し、高い検出感度と非常に低い偽値を示した。
  論文  参考訳（メタデータ） (2026-06-03T17:37:21Z)
• SigmaMedStat: Temporal Signal Modeling for ICU False Alarm Reduction [0.0]
  本稿では,臨床行動の前に生理的アラーム信号の信頼性を評価する機械学習システムであるSigmaMedStatについて述べる。 The PhysioNet/Computing in Cardiology Challenge 2015 data of 498 four-channel ICU alarm recordings。
  論文  参考訳（メタデータ） (2026-05-28T01:52:05Z)
• Time-Series at the Edge: Tiny Separable CNNs for Wearable Gait Detection and Optimal Sensor Placement [3.7765281299298015]
  我々は,3軸加速度の短い窓から発生するパーキンソン病(PD)の歩行検出のためのデバイス上での時系列解析について検討した。 1つの文献ベースライン(分離可能な畳み込み)と2つのウルトラライトモデル(純粋に分離可能なもの)である。
  論文  参考訳（メタデータ） (2025-11-29T08:52:41Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• An Efficient Anomaly Detection Framework for Wireless Sensor Networks Using Markov Process [2.5777932046298786]
  1次マルコフ連鎖モデルに基づく軽量かつ解釈可能な異常検出フレームワークが提案されている。 提案したフレームワークは、Intel Berkeley Research Labデータセットを使用して検証された。
  論文  参考訳（メタデータ） (2025-11-01T10:19:00Z)
• U-Mamba2-SSL for Semi-Supervised Tooth and Pulp Segmentation in CBCT [44.3806898357896]
  U-Mamba2-SSLは,U-Mamba2モデル上に構築され,多段階の学習戦略を用いる,新しい半教師付き学習フレームワークである。 U-Mamba2-SSLは平均スコア0.789、DSC0.917を隠しテストセットで達成し、STSR 2025のタスク1で1位となった。
  論文  参考訳（メタデータ） (2025-09-24T14:19:33Z)
• Organ-Agents: Virtual Human Physiology Simulator via LLMs [66.40796430669158]
  オルガン-エージェント(Organ-Agents)は、LDM駆動のエージェントを介して人間の生理学をシミュレートする多エージェントフレームワークである。 症例は7,134例,コントロール7,895例で,9系統および125変数にわたる高分解能トラジェクトリを作成した。 臓器抗原は4,509人の保留患者に対して高いシミュレーション精度を達成し, システムごとのMSE0.16とSOFA系重症度層間の堅牢性を示した。
  論文  参考訳（メタデータ） (2025-08-20T01:58:45Z)
• Automated Detection of Epileptic Spikes and Seizures Incorporating a Novel Spatial Clustering Prior [4.432163893362497]
  センサの空間的位置に基づいて,まずMEGチャネルをクラスタリングするパラダイムを導入する。 次に、信号の空間的クラスタリングと時間的変化を統合するために、新しい畳み込み入力モジュールを設計する。 提案手法は,2つの中心から収集した大規模実世界のMEGデータセットであるSanbo-CMRのF1スコア94.73%を達成し,最先端のアプローチを1.85%上回った。
  論文  参考訳（メタデータ） (2025-01-05T02:06:13Z)
• Machine Learning for ALSFRS-R Score Prediction: Making Sense of the Sensor Data [44.99833362998488]
  筋萎縮性側索硬化症(Amyotrophic Lateral Sclerosis、ALS)は、急速に進行する神経変性疾患である。 iDPP@CLEF 2024チャレンジを先導した今回の調査は,アプリから得られるセンサデータを活用することに焦点を当てている。
  論文  参考訳（メタデータ） (2024-07-10T19:17:23Z)
• Novel Epileptic Seizure Detection Techniques and their Empirical Analysis [2.3301643766310374]
  3次元化アルゴリズム、主成分分析(PCA)、独立成分分析(ICA)、線形判別分析(LDA)を用いる。 提案されたフレームワークはBonnデータセットでテストされる。 シミュレーション結果は、LDAとNBの組み合わせに対して100%の精度を提供する。
  論文  参考訳（メタデータ） (2023-02-17T20:58:17Z)
• StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
  教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。 本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。 提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
  論文  参考訳（メタデータ） (2022-01-31T14:27:35Z)
• SOUL: An Energy-Efficient Unsupervised Online Learning Seizure Detection Classifier [68.8204255655161]
  神経活動を記録して発作を検出するインプラントデバイスは、発作を抑えるために警告を発したり神経刺激を誘発したりするために採用されている。 移植可能な発作検出システムでは、低出力で最先端のオンライン学習アルゴリズムを使用して、神経信号のドリフトに動的に適応することができる。 SOULはTSMCの28nmプロセスで0.1mm2を占め、1.5nJ/分級エネルギー効率を実現した。
  論文  参考訳（メタデータ） (2021-10-01T23:01:20Z)

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。