論文の概要: Generating Bearing Vibration Signals at User-Specified Fault Probabilities Using PR-GAN and Counterfactual Methods

• arxiv url: http://arxiv.org/abs/2607.19455v1
• Date: Tue, 21 Jul 2026 14:45:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-23 18:51:37.898074
• Title: Generating Bearing Vibration Signals at User-Specified Fault Probabilities Using PR-GAN and Counterfactual Methods
• Title（参考訳）: PR-GANとカウンターファクト法によるユーザ特定故障確率の軸受振動信号の生成
• Authors: Seyed Mohammadreza Alavi, Ardeshir Shojaeinasab, Reza Jalayer, Masoud Jalayer, Behnam Bahrak,
• Abstract要約: 振動データセットを持つ場合、ほとんどの試料は0または1に近い予測された断層確率を受ける。 本稿では, 予測故障確率が目標確率0.25, 0.50, 0.75と一致する振動信号を生成する2つの手法を提案する。 ケース・ウェスタン・リザーブ大学 (CWRU) とパダーボルン大学 (Paderborn) の2つの評価法について検討した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In bearing vibration datasets, most samples receive predicted fault probabilities close to 0 or 1, while samples with intermediate (gray-zone) probabilities are rare. Such borderline samples are important because they reflect conditions in which maintenance decisions may require additional inspection or a conservative response and are useful for studying decision boundaries. To address this scarcity, this paper proposes and compares two approaches that generate vibration signals whose predicted fault probability matches a target probability of 0.25, 0.50, or 0.75. We use the average output of a heterogeneous ensemble classifier with different architectures and random initializations as a fixed, gradient-accessible probability oracle. The first, training-based approach, Probability-Regularized Generative Adversarial Network (PR-GAN), extends Wasserstein Generative Adversarial Network with Gradient Penalty (WGAN-GP) and edits a real signal through a residual generator while pushing the classifier output toward the target probability. The second is a training-free, per-sample Wachter-style counterfactual (CF) procedure that directly optimizes each input signal to reach the target probability while remaining close to the source signal. We evaluate both methods on the Case Western Reserve University (CWRU) and Paderborn bearing datasets using mean absolute target-probability error, time-domain total variation, and frequency-domain log power spectral density (log-PSD) differences. Across all settings, CF reaches the target with a mean absolute probability error of 0.005-0.008 and a within-tolerance success rate of 1.000 on retained samples, whereas PR-GAN's mean error is 0.046-0.059 with success rates between 0.501 and 0.680. CF therefore steers the probability more reliably and requires smaller average L1 changes, whereas PR-GAN has a lower reported runtime in most settings.
• Abstract（参考訳）: 振動データセットを持つ場合、ほとんどの試料は0または1に近い予測された断層確率を受け取り、中間(重力ゾーン)確率を持つ試料は稀である。 このような境界線サンプルは、メンテナンス決定が追加の検査や保守的な応答を必要とする条件を反映し、意思決定境界を研究するのに役立つため重要である。 この不足に対処するために,予測故障確率が目標確率0.25,0.50,0.75と一致する振動信号を生成する2つの手法を提案し,比較する。 我々は、異なるアーキテクチャを持つ異種アンサンブル分類器の平均出力とランダム初期化を、固定された勾配到達可能な確率オラクルとして利用する。 第1のトレーニングベースアプローチであるProbability-Regularized Generative Adversarial Network (PR-GAN)は、Wasserstein Generative Adversarial Networkを拡張し、グラディエントペナルティ (WGAN-GP) を用いて、分類器出力を目標確率に向けてプッシュしながら、残留発生器を介して実信号を編集する。 2つ目は、トレーニング不要でサンプルごとのWachterスタイルの逆ファクトアル(CF)プロシージャで、入力信号を直接最適化し、ソース信号に近づきながらターゲット確率に達する。 ケース・ウェスタン・リザーブ大学 (CWRU) とパダーボーン大学 (Paderborn) は, 平均絶対目標確率誤差, 時間領域の総変動, 周波数領域のログパワースペクトル密度 (log-PSD) の差を用いて, 両者を比較検討した。 全ての設定において、CF は平均絶対確率誤差 0.005-0.008 と保持サンプルの耐久内成功率 1.000 で目標に達するが、PR-GAN の平均誤差 0.046-0.059 は0.501 から 0.680 である。 したがって、CFはより信頼性が高く、平均的なL1変更を必要とするが、PR-GANはほとんどの設定で報告されるランタイムが低い。

関連論文リスト

• Amortized Inference for Sampling Distributions Where the Bootstrap Fails [0.0]
  ニューラルネットワークは、配信ファミリ上の前者から引き出されたシミュレーションデータセットに基づいて訓練される。 単一のフォワードパスは、1つのデータセットを全サンプリング分布の推定値にマッピングし、そこから信頼区間が直接従う。 リスクを負う問題に対して、配布不要の手法は名目上は適用できないが、学習した手法は94.7%に達する。
  論文  参考訳（メタデータ） (2026-07-18T06:49:15Z)
• Tailoring Strictly Proper Scoring Rules for Downstream Tasks: An Application to Causal Inference [48.78219918881965]
  本稿では,ダウンストリーム誤差メトリックの局所曲率をマッチングすることにより,タスク固有の厳密なスコアリングルールを導出するフレームワークを提案する。 これを平均処理効果 (ATE) 推定に適用し, 閉形式損失と対応する正準確率写像を導出する。
  論文  参考訳（メタデータ） (2026-06-02T08:41:25Z)
• Exact Stiefel Optimization for Probabilistic PLS: Closed-Form Updates, Error Bounds, and Calibrated Uncertainty [5.844591976842085]
  本研究では,雑音事前推定,制約付き確率最適化,予測キャリブレーションを組み合わせたエンドツーエンドフレームワークを開発した。 我々は、任意のガウス化により、このフレームワークをガウス以下の設定に拡張し、ブロック構造フィッシャー解析により、クローズドフォームの標準エラーを提供する。
  論文  参考訳（メタデータ） (2026-05-12T06:38:12Z)
• Decoupled PFNs: Identifiable Epistemic-Aleatoric Decomposition via Structured Synthetic Priors [25.166488691037078]
  Pre-Fitted Networks (PFNs) は、合成タスクに対するメタラーニングによるベイズ予測を補正するが、その標準出力はノイズの観測よりも後続の予測分布である。 以上の結果から, このてんかんの分離は, 一般的には後部予測分布だけでは識別できないことが明らかとなった。 我々はこれらのラベルを用いて、非結合のPFNを、別個の潜在信号頭とアレータリックヘッドで訓練する。
  論文  参考訳（メタデータ） (2026-05-07T15:22:35Z)
• DC-Solver: Improving Predictor-Corrector Diffusion Sampler via Dynamic Compensation [68.55191764622525]
  拡散モデル(DPM)は、視覚合成において顕著な性能を示すが、サンプリング中に複数の評価を必要とするため、計算コストが高い。 最近の予測器合成・拡散サンプリング装置は,要求される評価回数を大幅に削減したが,本質的には誤調整の問題に悩まされている。 我々はDC-CPRrと呼ばれる新しい高速DPMサンプリング装置を導入する。
  論文  参考訳（メタデータ） (2024-09-05T17:59:46Z)
• Adversarial Likelihood Estimation With One-Way Flows [44.684952377918904]
  GAN(Generative Adversarial Networks)は、高品質なサンプルを生成することができるが、サンプル周辺の確率密度を見積もることはできない。 提案手法は, より高速に収束し, 類似したアーキテクチャでGANに匹敵するサンプル品質を生成し, 一般的に使用されるデータセットの過度な適合を回避し, トレーニングデータのスムーズな低次元潜在表現を生成する。
  論文  参考訳（メタデータ） (2023-07-19T10:26:29Z)
• Will My Robot Achieve My Goals? Predicting the Probability that an MDP Policy Reaches a User-Specified Behavior Target [56.99669411766284]
  自律的なシステムがタスクを実行する場合、ユーザの目標を達成する確率のキャリブレーションされた見積もりを維持する必要がある。 本稿では,ユーザの目標が目標間隔として指定される設定について検討する。 我々は、共形予測を反転させて確率推定を計算する。
  論文  参考訳（メタデータ） (2022-11-29T18:41:20Z)
• Adversarial sampling of unknown and high-dimensional conditional distributions [0.0]
  本稿では, GAN (Generative Adversarial Network) と呼ばれるデータ駆動方式を用いて, サンプリング法と基礎分布の推定を行う。 GANは、2つの競合するニューラルネットワークをトレーニングし、トレーニングセット分布からサンプルを効果的に生成できるネットワークを生成する。 提案アルゴリズムのすべてのバージョンは, 対象条件分布を, サンプルの品質に最小限の影響で効果的にサンプリングできることが示されている。
  論文  参考訳（メタデータ） (2021-11-08T12:23:38Z)
• Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
  多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。 提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
  論文  参考訳（メタデータ） (2021-06-07T17:44:49Z)
• Sampling-Decomposable Generative Adversarial Recommender [84.05894139540048]
  サンプル分解可能な生成逆数レコメンダ(SD-GAR)を提案する。 本フレームワークでは, 自己正規化重要度サンプリングにより, 生成元と最適値とのばらつきを補償する。 提案アルゴリズムを5つの実世界のレコメンデーションデータセットを用いて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-11-02T13:19:10Z)
• Evaluating probabilistic classifiers: Reliability diagrams and score decompositions revisited [68.8204255655161]
  確率的に統計的に一貫性があり、最適に結合し、再現可能な信頼性図を自動生成するCORP手法を導入する。 コーパスは非パラメトリックアイソトニック回帰に基づいており、プール・アジャセント・ヴァイオレータ(PAV)アルゴリズムによって実装されている。
  論文  参考訳（メタデータ） (2020-08-07T08:22:26Z)

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。