論文の概要: Dual-domain fused LSTM modeling for efficient time-dependent reliability analysis
- arxiv url: http://arxiv.org/abs/2607.18291v1
- Date: Tue, 30 Jun 2026 15:39:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.119952
- Title: Dual-domain fused LSTM modeling for efficient time-dependent reliability analysis
- Title（参考訳）: 時間依存信頼性解析のための二重領域融合LSTMモデリング
- Abstract要約: 時間依存信頼性分析は、不確実性の下での工学システムの長期的な安全性と性能を保証するために不可欠である。
本稿では,2領域融合長短期メモリ(DDF-LSTM)モデルを提案する。
- 参考スコア（独自算出の注目度）: 25.846824628836917
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Time-dependent reliability analysis is crucial for ensuring the long-term safety and performance of engineering systems under uncertainties. However, traditional surrogate model methods often struggle to incorporate time-independent random variables and capture their complex interactions with time-dependent stochastic processes. To overcome this limitation, this paper proposes a dual-domain fused long short-term memory (DDF-LSTM) model for efficient and accurate time-dependent reliability analysis. A novel network architecture is developed to jointly process information from both time-dependent and time-independent domains. Specifically, the time-independent variables are embedded into the initial hidden states, and a fully connected layer is introduced to map both LSTM outputs and time-independent variables into the final output space. Furthermore, an improved loss function is designed to emphasize the model's sensitivity to minimum responses, thereby improving the precision of failure probability estimation. The proposed method effectively captures the dependencies among random variables, stochastic processes, and the temporal behavior of limit state functions. Once trained, the DDF-LSTM model enables efficient Monte Carlo simulation to estimate time-dependent failure probabilities with minimal computational cost. Four case studies validate the proposed method's enhanced computational efficiency and predictive accuracy.
- Abstract（参考訳）: 時間依存信頼性分析は、不確実性の下での工学システムの長期的な安全性と性能を保証するために不可欠である。
しかし、従来の代理モデル手法は時間に依存しない確率変数を組み込んで、時間に依存した確率過程との複雑な相互作用を捉えるのに苦労することが多い。
この制限を克服するために,2領域融合長短期メモリ(DDF-LSTM)モデルを提案する。
時間に依存しないドメインと時間に依存しないドメインの両方から情報を共同処理する新しいネットワークアーキテクチャが開発されている。
具体的には、時間非依存変数が初期隠れ状態に埋め込まれ、LSTM出力と時間非依存変数の両方を最終的な出力空間にマッピングするために完全に連結された層が導入された。
さらに、最小応答に対するモデルの感度を強調し、失敗確率推定の精度を向上させるために、改良された損失関数を設計する。
提案手法は,確率変数の依存関係,確率過程,極限状態関数の時間的挙動を効果的に把握する。
DDF-LSTMモデルにより、効率的なモンテカルロシミュレーションにより、最小計算コストで時間依存の故障確率を推定できる。
4つのケーススタディにより,提案手法の計算効率と予測精度が向上した。
関連論文リスト
- Contextual and Seasonal LSTMs for Time Series Anomaly Detection [49.50689313712684]
CS-LSTM (Contextual and Seasonal LSTMs) という新しい予測型フレームワークを提案する。
CS-LSTMはノイズ分解戦略に基づいて構築され、コンテキスト依存と季節パターンを併用する。
彼らは一貫して最先端の手法を上回り、堅牢な時系列異常検出における有効性と実用的価値を強調した。
論文 参考訳（メタデータ） (2026-02-10T11:46:15Z) - TimePre: Bridging Accuracy, Efficiency, and Stability in Probabilistic Time-Series Forecasting [30.11463473977148]
TimePreは、MCLパラダイムの分散柔軟性とモデルの効率を統一する新しいフレームワークである。
TimePreは、主要な確率的メトリクスで新しい最先端の精度を達成する。
これにより、確率予測における精度、効率、安定性の長年のギャップを埋める。
論文 参考訳（メタデータ） (2025-11-23T17:10:07Z) - PPMStereo: Pick-and-Play Memory Construction for Consistent Dynamic Stereo Matching [51.98089287914147]
textbfPick-and-textbflay textbfMemory (PM) construction module for dynamic bfStereo matching, called bftextPPMStereo。
bftextPPMStereo と呼ばれる動的 bfStereo マッチングのための textbfPick-and-textbflay textbfMemory (PM) 構築モジュールを提案する。
論文 参考訳（メタデータ） (2025-10-23T03:52:39Z) - LPCVAE: A Conditional VAE with Long-Term Dependency and Probabilistic Time-Frequency Fusion for Time Series Anomaly Detection [13.843801715719366]
時系列異常検出は信号処理分野において重要な課題である。
本稿では,長期依存性と確率的時間-周波数融合を有する変分オートエンコーダを提案する。
論文 参考訳（メタデータ） (2025-10-13T02:27:04Z) - Multivariate Long-term Time Series Forecasting with Fourier Neural Filter [42.60778405812048]
我々はFNFをバックボーンとして、DBDをアーキテクチャとして導入し、空間時間モデルのための優れた学習能力と最適な学習経路を提供する。
FNFは、局所時間領域とグローバル周波数領域の情報処理を単一のバックボーン内で統合し、空間的モデリングに自然に拡張することを示す。
論文 参考訳（メタデータ） (2025-06-10T18:40:20Z) - Multiresolution Analysis and Statistical Thresholding on Dynamic Networks [49.09073800467438]
ANIE(Adaptive Network Intensity Estimation)は、ネットワーク構造が進化する時間スケールを自動的に識別する多段階フレームワークである。
ANIEは適切な時間分解能に適応し、ノイズに頑健でありながら鋭い構造変化を捉えることができることを示す。
論文 参考訳（メタデータ） (2025-06-01T22:55:55Z) - EffiCANet: Efficient Time Series Forecasting with Convolutional Attention [12.784289506021265]
EffiCANetは計算効率を維持しながら予測精度を向上させるように設計されている。
EffiCANetは最先端モデルに対するMAEの最大10.02%の削減を実現している。
論文 参考訳（メタデータ） (2024-11-07T12:54:42Z) - Distributed Stochastic Gradient Descent with Staleness: A Stochastic Delay Differential Equation Based Framework [56.82432591933544]
分散勾配降下(SGD)は、計算リソースのスケーリング、トレーニング時間の短縮、マシンラーニングにおけるユーザのプライバシ保護の支援などにより、近年注目されている。
本稿では,遅延微分方程式(SDDE)と勾配到着の近似に基づく分散SGDの実行時間と安定化について述べる。
活性化作業員の増加は, 安定度による分散SGDを必ずしも加速させるものではないことが興味深い。
論文 参考訳（メタデータ） (2024-06-17T02:56:55Z) - Adaptive Multi-Scale Decomposition Framework for Time Series Forecasting [26.141054975797868]
本稿では,時系列予測のための新しい適応型マルチスケール分解(AMD)フレームワークを提案する。
我々のフレームワークは時系列を複数のスケールで異なる時間パターンに分解し、MDM(Multi-Scale Decomposable Mixing)ブロックを活用する。
提案手法は,時間依存性とチャネル依存性の両方を効果的にモデル化し,マルチスケールデータ統合を改良するために自己相関を利用する。
論文 参考訳（メタデータ） (2024-06-06T05:27:33Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation for Time Series [45.76310830281876]
量子回帰に基づくタスクネットワークのアンサンブルを用いて不確実性を推定する新しい手法であるQuantile Sub-Ensemblesを提案する。
提案手法は,高い損失率に頑健な高精度な計算法を生成するだけでなく,非生成モデルの高速な学習により,計算効率も向上する。
論文 参考訳（メタデータ） (2023-12-03T05:52:30Z) - Grouped self-attention mechanism for a memory-efficient Transformer [64.0125322353281]
天気予報、電力消費、株式市場などの現実世界のタスクには、時間とともに変化するデータの予測が含まれる。
時系列データは通常、その周期的特性と時間的長期依存性のために、長いシーケンスで長い観察期間にわたって記録される。
我々はGSA(Grouped Self-Attention)とCCA(Compressed Cross-Attention)の2つの新しいモジュールを提案する。
提案モデルでは,既存の手法に匹敵する計算量と性能の低減が効果的に示された。
論文 参考訳（メタデータ） (2022-10-02T06:58:49Z) - Deep Explicit Duration Switching Models for Time Series [84.33678003781908]
状態依存型と時間依存型の両方のスイッチングダイナミクスを識別できるフレキシブルモデルを提案する。
状態依存スイッチングは、リカレントな状態-スイッチ接続によって実現される。
時間依存スイッチング動作を改善するために、明示的な期間カウント変数が使用される。
論文 参考訳（メタデータ） (2021-10-26T17:35:21Z)
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。