論文の概要: Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2607.22797v1
• Date: Fri, 24 Jul 2026 14:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:14.880713
• Title: Physically Verifiable Evidence and LLM-Based Reporting for Bearing Fault Diagnosis
• Title（参考訳）: 軸受故障診断のための物理的に検証可能な証拠とLCMに基づく報告
• Abstract要約: 診断エビデンスネットワーク(DENet)は、エンコーダに依存しないマルチタスクフレームワークで、出力を構造化されたエビデンスレコードに拡張する。 統計的に有意な精度のコストは発生せず、1,024点の周波数誤差は約6Hzである。 AUROC値0.970と0.871の誤分類を検出し、高信頼体制において差別的のままである。
• 参考スコア（独自算出の注目度）: 6.168311548428149
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Trustworthy deployment of AI-based diagnosis in safety-critical mechanical systems hinges on validation: whether a prediction can be checked against physical reality before it is acted upon. Current intelligent fault diagnosers fail this standard in two ways. Their standard output, a class label with a softmax confidence score, is an internal statistic of the classifier, offering nothing checkable against independent physical knowledge; and the growing use of generative language models in maintenance reporting adds a second risk: hallucinated content entering reports on which decisions rest. Taking bearing fault diagnosis as the testbed, this work addresses both problems from the output side. The proposed Diagnostic Evidence Network (DENet) is an encoder-agnostic multi-task framework extending the output to a structured evidence record: the classification, a predicted characteristic frequency comparable against the theoretical value determined by bearing geometry and shaft speed, and a temporal localization of transient impulses inspectable on the raw waveform. Across four encoders and three public datasets, this evidence incurs no statistically significant accuracy cost, with a frequency error of about 6 Hz on 1,024-point segments where spectral estimation is structurally inapplicable. Centrally, the deviation between predicted and theoretical frequency constitutes a label-free, inference-time validation signal: it detects misclassifications with AUROC values of 0.970 and 0.871, and remains discriminative in the high-confidence regime where confidence-derived detectors are blind. Finally, a QLoRA-adapted language model is constrained to translate, but never generate, diagnostic content, reducing unsupported-claim rates from 10-12% to 2% and eliminating fabricated quantities.
• Abstract（参考訳）: 安全クリティカルな機械システムにおけるAIベースの診断の信頼できる展開は、予測が実行される前に物理的な現実に対してチェックできるかどうかという検証にかかっている。 現在のインテリジェントなフォールト診断装置は、この標準を2つの方法で失敗する。 それらの標準出力であるソフトマックスの信頼性スコアを持つクラスラベルは、分類器の内部統計であり、独立した物理的知識に対してチェック可能なものを提供していない。 テストベッドとしての欠陥診断を取り入れたこの研究は、出力側からの両方の問題に対処する。 提案する診断エビデンスネットワーク(DENet)は,出力を構造化されたエビデンスレコードに拡張するエンコーダに依存しないマルチタスクフレームワークである。 4つのエンコーダと3つの公開データセットにまたがって、この証拠は統計的に有意な精度のコストを生じさせず、スペクトル推定が構造的に適用できない1,024点セグメントの周波数誤差は約6Hzである。 予測周波数と理論周波数の偏差は、AUROC値0.970と0.871の誤分類を検知し、信頼から導かれる検出器が見えない高信頼状態のままである。 最後に、QLoRAに適応した言語モデルは、翻訳するが生成しない、診断内容、支持率を10-12%から2%に下げ、製造量の削減に制約される。

関連論文リスト

• Conformalized Large Language Models under Configuration Shift [46.502741608809174]
  コンフォーマル予測は不確実性定量化のための分布のないフレームワークである。 非整合性スコアは、単に固定モデルではなく、推論パイプラインによって引き起こされることが多い。 構成シフトがCPの妥当性を損なうことを示す。
  論文  参考訳（メタデータ） (2026-08-02T19:34:41Z)
• Understanding Online Failure Prediction in Linux Through Complementary Multi-View Explainability [0.0]
  本報告では,Linux OS用オンラインエラー予測パイプラインの構築と評価について述べる。 コンセンサスに基づく特徴選択と、時間的オンセット分析、サブシステムレベルの因果解析、障害解釈を支援する補完的な診断メカニズムを組み合わせる。
  論文  参考訳（メタデータ） (2026-08-01T13:12:59Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• Fault Detection and Explainable Classification in Automotive HIL Validation via Denoising Autoencoders and In-Context Large Language Models [1.9435397960631864]
  機械学習とディープラーニングは高度な故障診断を持っているが、ほとんどの教師付きモデルは大きなラベル付きデータセットを必要とする。 実時間検証における故障検出と分類のための汎用的で説明可能な2相フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T06:43:43Z)
• A prior-free blind detection of information leakage from model predictions [0.0]
  本稿では,リーク診断が予測リスク/アウトカム則の関数となる決定論的枠組みを提案する。 正当モデルの校正と識別に適合する校正されたリークは、予測の空白関数により、正直な性能と区別できない。 ほぼ決定論的部分群は、非決定論的結果の正当な予測者が製造できない持続的単位純度ヘッドを生成する。
  論文  参考訳（メタデータ） (2026-06-09T05:13:03Z)
• An Uncertainty-Aware Resilience Micro-Agent for Causal Observability in the Computing Continuum [2.589200983166521]
  本稿では, 因果オブザーバビリティ(AURORA)のための不確実性認識型レジリエンスマイクロエージェントを提案する。 AURORAは、各断層のマルコフ毛布内の根因解析をサポートするために、自由エネルギー原理、因果線計算、局所化された因果線状態グラフを統合する並列マイクロエージェントを使用している。 実験の結果,AURORAは62.0%の修理精度と3msの平均修理時間を維持しながら,破壊作用率0%を達成し,ベースラインよりも優れていた。
  論文  参考訳（メタデータ） (2026-05-11T15:28:37Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• VIBEPASS: Can Vibe Coders Really Pass the Vibe Check? [46.85901599242161]
  emphFault-Triggering Test Generation(FT-Test)とemphFault-targeted Program repair(FPR)の2つの組み合わせタスクを評価した。 故障対象推論は一般的な符号化能力ではスケールしないことがわかった。 自己生成テストが障害の発見に成功すると、結果として得られた修復結果が外部から提供されたテストによってガイドされた修復と一致したり、性能が低下する。
  論文  参考訳（メタデータ） (2026-03-16T21:14:28Z)
• Decomposed Prompting Does Not Fix Knowledge Gaps, But Helps Models Say "I Don't Know" [47.930782177987446]
  大規模言語モデルは、クローズドブックの質問応答において知識限界を認識するのに苦労することが多く、自信ある幻覚へと繋がる。 我々は、モデルスケールの異なるDirect、Assistive、Incrementalの3つのタスク等価プロンプトとマルチホップQAベンチマークを評価した。 幻覚が一致している間に事実知識が安定しているため、クロスレジームは内部の不確実性の正確なシグナルを与える。
  論文  参考訳（メタデータ） (2026-02-04T18:39:58Z)
• Modeling Clinical Uncertainty in Radiology Reports: from Explicit Uncertainty Markers to Implicit Reasoning Pathways [16.76473492794096]
  明示的な不確実性は、ヘッジフレーズを通じて伝達される発見の有無についての疑念を反映している。 入射不確実性は、放射線学者がその推論の一部を省略し、重要な発見や診断のみを記録するときに生じる。 ここでは、省略された所見が真に欠如しているか、単に軽快のため欠落しているかは、しばしば不明である。 我々は、エキスパート検証されたLLMベースの共通ヘッジフレーズの基準ランキングを作成し、この基準に基づいて各発見を確率値にマッピングすることで、明確な不確実性を定量化する。 さらに、14の共通診断のための専門家定義診断経路から派生した特徴的サブフィンディングを体系的に付加する拡張フレームワークを通じて暗黙的な不確実性をモデル化する。
  論文  参考訳（メタデータ） (2025-11-06T16:24:53Z)
• Fault detection and diagnosis for the engine electrical system of a space launcher based on a temporal convolutional autoencoder and calibrated classifiers [0.0]
  本稿では,次世代再利用可能な宇宙ランチャーの故障検出・診断機能開発に向けた第一歩を概説する。 文献における既存のアプローチとは異なり、我々のソリューションはより広い範囲の重要な要件を満たすように設計されています。 提案手法は、時間畳み込みオートエンコーダに基づいて、原センサデータから低次元特徴を自動的に抽出する。
  論文  参考訳（メタデータ） (2025-07-17T11:50:29Z)
• Unlocking the Potential of Weakly Labeled Data: A Co-Evolutionary Learning Framework for Abnormality Detection and Report Generation [44.41011570487469]
  臨床における胸部X線(CXR)の解剖学的異常検出と報告生成は2つの重要な課題である。 既存の手法は、それぞれのタスクを別々に焦点を合わせ、相関を無視することが多い。 本研究は,共進化異常検出および報告生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-12-18T08:31:26Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)
• Towards Reliable Medical Image Segmentation by Modeling Evidential Calibrated Uncertainty [57.023423137202485]
  医用画像のセグメンテーションの信頼性に関する懸念が臨床医の間で続いている。 本稿では,医療画像セグメンテーションネットワークにシームレスに統合可能な,実装が容易な基礎モデルであるDEviSを紹介する。 主観的論理理論を活用することで、医用画像分割の確率と不確実性を明示的にモデル化する。
  論文  参考訳（メタデータ） (2023-01-01T05:02:46Z)

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。