論文の概要: General Value Functions for Remaining Useful Life and Failure-Mode Prediction

• arxiv url: http://arxiv.org/abs/2607.22268v1
• Date: Fri, 24 Jul 2026 13:04:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-27 20:58:57.130071
• Title: General Value Functions for Remaining Useful Life and Failure-Mode Prediction
• Title（参考訳）: 有用寿命の維持と失敗モード予測のための一般値関数
• Abstract要約: 吸収劣化過程におけるベクトル一般値関数(GVF)の予測を定式化する。 我々は、RULと障害モード確率を、独立したウィンドウレベルラベルではなく、時間的に一貫したターゲットとして推定する。 イベントトリガー付きマルチモードシミュレーションとNASA C-MAPSSラベルスカース縫合データにより、TDは、教師付き同骨モンテカルロ制御に対するRULと失敗モード予測を改善した。
• 参考スコア（独自算出の注目度）: 5.709180757030779
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Remaining useful life (RUL) prediction and failure-mode classification are central tasks in predictive maintenance. Many data-driven pipelines use fixed-window supervised learning with complete terminal labels; such routes do not naturally encode the temporal recursion linking successive degradation-state predictions when observations are partial or unit identities are unavailable. We formulate prognostics as vector General Value Function (GVF) prediction on an absorbing degradation process, treating RUL and failure-mode probabilities as temporally consistent targets rather than independent window-level labels, and estimate them with a multi-step temporal-difference estimator, TD($n,λ$). Supporting theory identifies the Bellman fixed point of the vector GVFs, characterizes the linear projected-TD limit and its relation to complete-return Monte Carlo regression under realizability, and explains when bootstrapped TD targets are less variable than Monte Carlo returns. On an event-triggered multimode simulation and NASA C-MAPSS label-scarce stitch data, TD improves RUL and failure-mode prediction relative to a supervised same-backbone Monte Carlo control, especially under scarce complete labels. Practically, fragmented, identity-free degradation records can contribute local Bellman transitions instead of being discarded until complete run-to-failure labels are available.
• Abstract（参考訳）: Remaining useful Life(RUL)予測と失敗モード分類は、予測保守における中心的なタスクである。 多くのデータ駆動パイプラインは、完全な終端ラベルを持つ固定ウィンドウ教師あり学習を用いており、これらの経路は、観測が部分的または単位IDが利用できない場合に、連続的な劣化状態予測をリンクする時間的再帰を自然に符号化するものではない。 本稿では,吸収劣化過程におけるベクトル一般値関数(GVF)の予測を定式化し,RULと障害モード確率を独立なウィンドウレベルラベルではなく時間的に一貫したターゲットとして扱い,多段階の時間差推定器TD($n,λ$)を用いて推定する。 支持理論は、ベクトル GVF のベルマン固定点を特定し、線型射影-TD 極限とその実現可能性の下での完全回帰モンテカルロ回帰との関係を特徴づけ、自己ストラップされたTD 目標がモンテカルロの回帰よりも変動が少ない場合を説明する。 イベントトリガー付きマルチモードシミュレーションとNASA C-MAPSSラベルスカース縫合データにより、TDはRULと障害モード予測を改善し、特に完全なラベルが不足しているモンテカルロ制御を監督する。 事実上、断片化された、IDなしの分解レコードは、完全なRun-to-failureラベルが利用可能になるまで破棄されることなく、ローカルのBellmanトランジションに寄与することができる。

関連論文リスト

• Beyond Optimal Rates in Stochastic Optimization: Trajectory-Adaptive Stopping Rules [42.38093055717409]
  我々は、新しい信頼系列法と、適応されたプロセスに対する時間一様経験的バーンスタイン不等式を開発する。 結果の停止規則は、自然勾配の地平線より少ない数桁の順序を必要とすることが示される。
  論文  参考訳（メタデータ） (2026-08-26T09:02:46Z)
• Doubly Robust Functional Representation Learning for Longitudinal Causal Inference with Irregular Histories [0.8870188183999853]
  本研究では,不規則な歴史を観測・歴史体制のための推定対象状態に変換するために,Douubly Robust Functional Representation Learning (DR-FRL)を提案する。 DR-FRLは、不規則な歴史を観測された歴史体制のための推定可能な状態に変える、クロスフィットなワークフローである。 VitalDBの監査によると、DR-FRLは不規則な実験室の点雲を使用でき、有用な負の発見を提供する。
  論文  参考訳（メタデータ） (2026-07-30T17:33:42Z)
• ScoreStop: Gradient-based early stopping using functional score tests [0.0]
  本稿では,現在予測器が人口リスク最小化器であるというヌル仮説のテストとして,各イテレーションで停止決定を行う勾配に基づく早期停止則を提案する。 我々のテストでは損失値よりも勾配を用いるため、LambdaRankのような暗黙的な検証損失や、影響関数によるCox回帰のようなデータ依存的な損失にも、同じ構成が適用されます。
  論文  参考訳（メタデータ） (2026-06-01T18:05:22Z)
• Learning Context-conditioned Gaussian Overbounds for Convolution-Based Uncertainty Propagation [4.891998873486944]
  本稿では,ニューラルネットワークを用いて文脈認識型ガウスオーバーバウンドを生成する統合学習フレームワークを提案する。 本稿では、離散連続保守主義とコンパクト領域目的正規性のスコープ解析について述べる。 このフレームワークはモダリティに依存しず、保守的で特徴条件のある不確実性推定を必要とする学習システムに適用できる。
  論文  参考訳（メタデータ） (2026-05-15T09:47:05Z)
• Distributional Spectral Diagnostics for Localizing Grokking Transitions [4.480801209867367]
  グラッキングでは、モデルはまずトレーニングデータに適合し、テスト精度は低いままであり、後に一般化し始める。 テスト精度が上昇する前に、この遷移が観察されたトレーニング軌跡から局所化できるかどうかを問うとともに、明確なしきい値/FPR/リードタイムトレードオフを持つ診断問題として、グラッキング遷移局所化を定式化する。
  論文  参考訳（メタデータ） (2026-05-07T03:08:58Z)
• Surprised by Attention: Predictable Query Dynamics for Time Series Anomaly Detection [1.7751300245073598]
  AxonADは、マルチヘッドアテンションクエリの進化を短い水平方向予測可能なプロセスとして扱う教師なし検出器である。 テール集約型クエリミスマッチスコアは、最近のタイムステップで予測されたクエリとターゲットクエリの相違を測定する。 インターバルアノテーションを用いた車内テレメトリでは、AxonADは強力なベースライン上でのランキング品質と時間的ローカライゼーションを改善している。
  論文  参考訳（メタデータ） (2026-03-13T11:40:51Z)
• 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)
• Unsupervised Conformal Inference: Bootstrapping and Alignment to Control LLM Uncertainty [49.19257648205146]
  生成のための教師なし共形推論フレームワークを提案する。 我々のゲートは、分断されたUPPよりも厳密で安定した閾値を提供する。 その結果は、ラベルのない、API互換の、テスト時間フィルタリングのゲートになる。
  論文  参考訳（メタデータ） (2025-09-26T23:40:47Z)
• Error-quantified Conformal Inference for Time Series [55.11926160774831]
  時系列予測の不確かさの定量化は、時系列データの時間的依存と分布シフトのために困難である。 量子化損失関数をスムースにすることで,iError-quantified Conformal Inference (ECI)を提案する。 ECIは有効な誤発見制御と、他のベースラインよりも厳密な予測セットを出力することができる。
  論文  参考訳（メタデータ） (2025-02-02T15:02:36Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Robust and Adaptive Temporal-Difference Learning Using An Ensemble of Gaussian Processes [70.80716221080118]
  本稿では、時間差学習(TD)による政策評価の世代的視点について考察する。 OS-GPTDアプローチは、状態-逆ペアのシーケンスを観測することにより、与えられたポリシーの値関数を推定するために開発された。 1つの固定カーネルに関連する限られた表現性を緩和するために、GP前の重み付けアンサンブル(E)を用いて代替のスキームを生成する。
  論文  参考訳（メタデータ） (2021-12-01T23:15:09Z)
• Imputation-Free Learning from Incomplete Observations [73.15386629370111]
  本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。 バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。 我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
  論文  参考訳（メタデータ） (2021-07-05T12:44:39Z)

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。