論文の概要: TIDE: Trustworthy and Interpretable Battery Degradation Estimation with Contextual Learning and Symbolic Distillation

• arxiv url: http://arxiv.org/abs/2607.14640v1
• Date: Thu, 16 Jul 2026 07:08:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-17 17:01:33.018485
• Title: TIDE: Trustworthy and Interpretable Battery Degradation Estimation with Contextual Learning and Symbolic Distillation
• Title（参考訳）: TIDE:コンテキスト学習とシンボリック蒸留による信頼性と解釈可能な電池劣化推定
• Abstract要約: 我々は信頼性と解釈可能な電池劣化推定器であるTIDEを提案する。 TIDEは、バッテリドメインの知識と3つのコンポーネントのバックボーンでの運用計測を組み合わせる。 実験の結果、TIDEは高い推定精度を達成し、代表ベースラインよりも平均19.7%の精度で全体の推定精度を向上させることが示された。
• 参考スコア（独自算出の注目度）: 25.73878767636234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Battery health estimation is fundamental for battery management in battery-powered systems, where inaccurate health states may affect control, maintenance, and service life. It becomes even more critical in intelligent connected systems, where estimation errors can propagate across interconnected devices and downstream decisions. In this paper, we propose TIDE, a trustworthy and interpretable battery degradation estimator for reliable battery health estimation. TIDE jointly considers accuracy, trustworthiness, and interpretability, which are all essential for practical deployment and downstream decision making. To realize these objectives, TIDE combines battery-domain knowledge with operational measurements in a three-component backbone. A knowledge-guided degradation prior promotes trustworthy estimation, a monotone residual component provides interpretable aging-consistent refinement, and a contextual learning component captures battery-specific operational effects for improved accuracy. The trained backbone is then distilled into a compact symbolic surrogate that provides a concise model-level interpretation of its learned estimation logic. Experiments show that TIDE achieves strong estimation accuracy, improving overall estimation fidelity by an average of 19.7% over representative baselines. Its knowledge-guided prior and monotone residual modelling substantially reduce aging-consistency violations, supporting trustworthy estimation. Meanwhile, the backbone enables component-level interpretation, while symbolic distillation provides a compact model-level representation of the learned estimation logic. These results support the practical use of TIDE for battery health monitoring and decision support in intelligent connected systems.
• Abstract（参考訳）: 不正確な状態が制御、保守、サービス寿命に影響を与える可能性があるバッテリー駆動システムのバッテリー管理には、バッテリーの健康評価が不可欠である。 インテリジェントなコネクテッドシステムでは、相互接続されたデバイス間で推定エラーが伝播し、下流での意思決定がより重要になる。 本稿では,信頼度の高い電池劣化推定器であるTIDEを提案する。 TIDEは、正確さ、信頼性、解釈可能性を共同で検討する。 これらの目的を達成するため、TIDEは3成分のバックボーンでバッテリドメイン知識と操作計測を組み合わせている。 知識誘導劣化先行は、信頼に値する推定を促進し、モノトン残留成分は、解釈可能な老化性改善を提供し、文脈学習成分は、バッテリ固有の操作効果を捕捉し、精度を向上させる。 訓練されたバックボーンは、その学習された推定論理の簡潔なモデルレベルの解釈を提供するコンパクトなシンボル代理に蒸留される。 実験の結果、TIDEは高い推定精度を達成し、代表ベースラインよりも平均19.7%の精度で全体の推定精度を向上させることが示された。 知識誘導された先行および単調残差モデリングにより、老化一貫性の侵害が著しく減少し、信頼に値する推定が支持される。 一方、バックボーンはコンポーネントレベルの解釈を可能にし、シンボリック蒸留は学習した推定論理のモデルレベルのコンパクトな表現を提供する。 これらの結果は、インテリジェントな接続システムにおけるバッテリーの健康モニタリングと意思決定支援にTIDEを実用的に活用することを支援する。

関連論文リスト

• SVR: Self-Verifying Refinement via Joint Verdict-Confidence Reinforcement Learning for Adaptive Test-Time Compute [62.3458279176813]
  自己検証リファインメント(Self-Verifying Refinement)は、オラクルフリーのマルチターン強化学習フレームワークである。 自己検証を計算制御ポリシとして使用することを学ぶ。 マクロ平均精度は0.563で、平均で2.99回しか推測できない。
  論文  参考訳（メタデータ） (2026-07-30T16:20:58Z)
• Bridging battery design and health assessment through virtual sensing and physics-informed learning [2.8974566456589095]
  リチウムイオン電池(LiB)のスーパーチャージは、耐久性、安全性、ユーザの信頼性を確保するために、堅牢な健康モニタリングを必要とする。 本稿では,仮想センシングを用いた物理インフォームド・ラーニング・フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-18T15:59:29Z)
• Uncertainty Estimation for Deep Reconstruction in Actuatic Disaster Scenarios with Autonomous Vehicles [68.82821445619759]
  原理的不確実性定量化は 能動センシング戦略に不可欠です Evidential Deep Learningは、すべてのセンサ構成で最高の再構築精度と不確実性校正を実現する。 これらの知見は、リアルタイムの自動運転車配備における不確実性認識フィールド再構築の方法として、エビデンシャル・ディープ・ラーニングを支持している。
  論文  参考訳（メタデータ） (2026-04-07T19:17:44Z)
• 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)
• 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)
• Towards a Probabilistic Fusion Approach for Robust Battery Prognostics [0.0]
  本稿では,リチウムイオン電池の容量減少を予測するためのベイズアンサンブル学習手法を提案する。 提案手法は,NASA Ames Prognostics Center of Excellenceによって収集された電池老化データセットを用いて検証された。
  論文  参考訳（メタデータ） (2024-05-24T07:26:36Z)
• Driving behavior-guided battery health monitoring for electric vehicles using machine learning [7.6366651125971945]
  信頼性の高いバッテリヘルスモニタリングのための機能ベースの機械学習パイプラインを提案する。 まず,各個人の健康指標(HI)をメカニズム関連解釈でまとめ,分析した。 推定精度と相関分析に基づいて,全ての特徴を慎重に評価・スクリーニングした。
  論文  参考訳（メタデータ） (2023-09-25T13:24:53Z)
• DIICAN: Dual Time-scale State-Coupled Co-estimation of SOC, SOH and RUL for Lithium-Ion Batteries [6.930255986517943]
  本稿では,Deep Inter and intra-Cycle Attention Network (DIICAN) という状態結合型協調推定手法を提案する。 DIICAN法はオックスフォード・バッテリ・データセット上で検証される。
  論文  参考訳（メタデータ） (2022-10-20T14:42:20Z)
• Transfer Learning-based State of Health Estimation for Lithium-ion Battery with Cycle Synchronization [16.637948430296227]
  バッテリーの健康状態(SOH)を正確に推定することは、バッテリー駆動アプリケーションの予期せぬ失敗を防ぐのに役立ちます。 新たなバッテリのモデルトレーニングにおけるデータ要件の低減という優位性により,トランスファーラーニング(TL)が有望な機械学習アプローチとして出現する。 本稿では、時間的ダイナミクスを利用してTLに基づくSOH推定を解釈し、伝達学習を支援する手法を提案する。
  論文  参考訳（メタデータ） (2022-08-23T21:40:40Z)
• Machine learning pipeline for battery state of health estimation [3.0238880199349834]
  我々は,バッテリ容量のフェードを推定するための機械学習パイプラインの設計と評価を行う。 パイプラインは、2つのパラメトリックおよび2つの非パラメトリックアルゴリズムを用いて、関連する信頼区間で電池SOHを推定する。 高速充電プロトコルの下で動作しているセルにデプロイすると、最良のモデルでは、ルート平均2乗誤差が0.45%に達する。
  論文  参考訳（メタデータ） (2021-02-01T13:50:56Z)
• Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
  観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。 近年の文献では、この目標を達成するために表現学習を探求している。 因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-10-23T19:06:03Z)
• Robust Learning Through Cross-Task Consistency [92.42534246652062]
  クロスタスク整合性を用いた学習向上のための,広く適用可能な完全計算手法を提案する。 クロスタスク一貫性による学習は,より正確な予測と,アウト・オブ・ディストリビューション・インプットの一般化につながることを観察する。
  論文  参考訳（メタデータ） (2020-06-07T09:24:33Z)

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。