論文の概要: Breaking the Homogeneity Assumption: Specialized Multi-Generator Adversarial Learning for Rare Failure Detection in Predictive Maintenance

• arxiv url: http://arxiv.org/abs/2607.19153v1
• Date: Tue, 21 Jul 2026 14:52:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.45684
• Title: Breaking the Homogeneity Assumption: Specialized Multi-Generator Adversarial Learning for Rare Failure Detection in Predictive Maintenance
• Title（参考訳）: 均一性推定を破る:予測保守における希少故障検出のための多世代逆学習
• Authors: Alexis Lazanas, Georgios Kampouropoulos,
• Abstract要約: 本稿では, 予測保守システムにおいて, 頻繁な故障の同定を改善するために, フェールタイプを意識した生成促進プログラムの可能性について検討する。 AI4I 2020予測保守データセットで実施された実験は、提案された多世代GANフレームワークがより現実的なマイノリティサンプルを生成することを示している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Supervised learning models in the predictive maintenance field are regularly trained on highly imbalanced industrial datasets: machine failures occur rarely but have a disproportionate effect on operations. In addition to the clear class disparity, failure data are typically non-homogeneous, with different failure modes arising from distinct physical processes and exhibiting a multimodal distribution across minorities and classes. Traditional imbalance-management methods, e.g., undersampling, SMOTE-based interpolation, or cost-sensitive learning, typically assume that the minority population is homogeneous. This means their effectiveness is severely limited in the multifaceted conditions encountered in industrial practice. This paper determines the possibility of a failure-type-conscious generative augmentation program to improve the identification of infrequent failures in predictive maintenance systems. An experimental design that is leakage-safe is used to compare five imbalance-handling methods: cost-sensitive learning, random undersampling, SMOTE oversampling, single-generator GAN augmentation, and a specialized multi-generator GAN architecture that has independent generators that are asked to learn individual failure subtypes. Precision/Recall-oriented measures are used to quantify model performance; the main evaluation measure is the PR-AUC. Experiments conducted on the AI4I 2020 predictive maintenance dataset indicate that the proposed multi-generator GAN framework produces more realistic minority samples, yielding higher PR-AUC and recall scores compared to traditional resampling methods and individual-generator GAN augmentation.
• Abstract（参考訳）: 予測保守分野における教師付き学習モデルは、高度に不均衡な産業データセットで定期的に訓練されている。 明確なクラス格差に加えて、障害データは典型的には不均一であり、異なる物理プロセスから生じる異なる障害モードを持ち、マイノリティやクラスにまたがるマルチモーダル分布を示す。 伝統的な不均衡管理手法、例えばアンダーサンプリング、SMOTEに基づく補間、あるいはコスト感受性学習は、一般的に少数民族が均質であると仮定する。 これは、産業で遭遇する多面的条件において、その効果が著しく制限されることを意味する。 本稿では, 予測保守システムにおいて, 頻繁な故障の同定を改善するために, フェールタイプを意識した生成プログラムを構築する可能性について検討する。 リークセーフな実験設計は、コストセンシティブな学習、ランダムアンダーサンプリング、SMOTEオーバーサンプリング、単一ジェネレータGAN拡張、個別の障害サブタイプを学習するよう要求される独立したジェネレータを持つ特殊なマルチジェネレータGANアーキテクチャの5つの不均衡処理方法を比較するために使用される。 精度/リコール指向の尺度はモデル性能の定量化に使われ、主要な評価尺度はPR-AUCである。 AI4I 2020予測保守データセットで実施された実験は、提案された多世代GANフレームワークがより現実的なマイノリティサンプルを生成し、従来の再サンプリング手法や個別世代GAN拡張よりも高いPR-AUCとリコールスコアが得られることを示している。

関連論文リスト

• Multi-Objective Learning for Diffusion Models: A Statistical Theory under Semi-Supervised Learning [83.65494573724904]
  我々は、限られたデータを持つ拡散モデルのための原則的MOLフレームワークを開発する。 限られたペアデータから,まず軽量なスペシャリストモデルに適合する2段階のトレーニング手順を提案する。 与えられたペアサンプルの個数は、専門モデルクラスの複雑さにのみ依存することを示す境界一般化を確立する。
  論文  参考訳（メタデータ） (2026-05-24T18:19:40Z)
• Leveraging Error Diversity in Group Rollouts for Reinforcement Learning [61.10980882949414]
  Reinforcement Learning from Verifiable Rewards (RLVR) は通常、プロンプト毎に複数のレスポンスをサンプリングし、個々の正確性に基づいてバイナリ報酬を割り当てる。 グループ内エラーの多様性に基づいて,不正なロールアウトに対して有利なシグナルを変調するために,EDAS(Error Diversity Advantage Shaping)を提案する。 EDASは、任意のRLVRアルゴリズムにシームレスに統合できるシンプルなポストホック調整として動作する。
  論文  参考訳（メタデータ） (2026-05-17T08:52:31Z)
• Breaking the Prototype Bias Loop: Confidence-Aware Federated Contrastive Learning for Highly Imbalanced Clients [17.26222397658559]
  CAFedCLは、プロトタイプアグリゲーション機構を改善し、プロトタイプによってガイドされるコントラストアライメントを強化する新しいフレームワークである。 CAFedCLは、精度とクライアントの公正性の両方において、代表的連合ベースラインを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-03-03T14:01:08Z)
• FaultDiffusion: Few-Shot Fault Time Series Generation with Diffusion Model [18.6566004479231]
  故障診断はシステムの信頼性を確保し、予測保守を可能にするために重要である。 豊富な正規データに最適化された既存の時系列生成モデルは、数ショットのシナリオで障害分布のキャプチャに苦労する。 拡散モデルに基づく新しい数ショットの故障時系列生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-19T06:53:15Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Anchor-based oversampling for imbalanced tabular data via contrastive and adversarial learning [2.7446241148152253]
  不均衡データは、一方のクラス(マイノリティ)が他方(マイノリティ)よりも多く処理された周波数の分布を表す。 不均衡学習では、分類アルゴリズムは通常、多数派を正確に分類する傾向があり、結果として人工的に高い精度が得られる。 本研究では,不均衡学習課題に取り組むために,境界アンカーサンプルに基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-24T11:25:21Z)
• GenIAS: Generator for Instantiating Anomalies in time Series [54.959865643340535]
  可変オートエンコーダを用いた時系列異常検出(TSAD)のための生成モデルを開発した。 GenIASはTSADタスクのための多種多様な現実的な合成異常を生成するように設計されている。 実験の結果,GenIASは従来型および深部異常検出モデル17より一貫して優れていた。
  論文  参考訳（メタデータ） (2025-02-12T10:10:04Z)
• U-aggregation: Unsupervised Aggregation of Multiple Learning Algorithms [4.871473117968554]
  新人口の強化とロバスト化のための教師なしモデルアグリゲーション手法U-アグリゲーションを提案する。 既存の教師付きモデルアグリゲーションや超学習者アプローチとは異なり、U-アグリゲーションは対象人口の観測されたラベルや成果を仮定しない。 複雑な形質の遺伝的リスク予測を高めるために,U凝集を用いた実世界の応用の可能性を示す。
  論文  参考訳（メタデータ） (2025-01-30T01:42:51Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• IB-GAN: A Unified Approach for Multivariate Time Series Classification under Class Imbalance [1.854931308524932]
  GAN(Generative Adversarial Networks)による非パラメトリックデータ拡張は、有望なソリューションを提供する。 本稿では,データ拡張と分類を1段階のプロセスで結合する新しい手法であるImputation Balanced GAN(IB-GAN)を提案する。
  論文  参考訳（メタデータ） (2021-10-14T15:31:16Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。