論文の概要: Generalization bounds and sample complexity for remaining useful life prediction from complete degradation trajectories

• arxiv url: http://arxiv.org/abs/2607.23454v1
• Date: Sun, 26 Jul 2026 04:32:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.107582
• Title: Generalization bounds and sample complexity for remaining useful life prediction from complete degradation trajectories
• Title（参考訳）: 完全劣化軌道からの有用寿命予測のための一般化境界とサンプル複雑性
• Abstract要約: データ駆動型残留有用生命(RUL)予測は、トレーニングのために完全な劣化軌道を必要とする。 現在、実践者は、与えられたモデルと精度の目標に十分な障害例の数について、原則化されたガイダンスを欠いています。 本稿では,3つのテーマを中心に整理された7つの主要な結果からなるRUL予測の複雑性フレームワークについて述べる。
• 参考スコア（独自算出の注目度）: 0.17188280334580194
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data-driven remaining useful life (RUL) prediction requires complete degradation trajectories for training, yet such run-to-failure data are scarce and expensive. Practitioners currently lack principled guidance on how many failure examples suffice for a given model and accuracy target. This paper develops a sample complexity framework for RUL prediction comprising seven main results organised around three themes. First, we establish fundamental learning rates: a distribution-free generalization bound shows that the uniform deviation of the mean squared error decreases as $O(B^{2}\sqrt{p/n})$, where $p$ is the model complexity and $n$ the number of trajectories, and a minimax lower bound proves that the $Θ(p/n)$ rate is unimprovable.} \rev{Second, we quantify how domain knowledge accelerates learning: incorporating degradation physics reduces data requirements by up to two orders of magnitude for deep networks, a Bernstein-type analysis achieves the minimax-optimal $O(p/n)$ rate under high signal-to-noise conditions, and closed-form penalties reveal when an incorrectly assumed physics model hurts rather than helps. Third, we characterise the impact of data quality: fleet variability induces an irreducible bias$-$variance tradeoff, while right-censored observations suffer an efficiency loss that depends critically on the degradation class.} Closed-form expressions are provided for exponential, power-law, and stretched-exponential degradation. \rev{Cross-domain validation against published turbofan, battery, and bearing benchmarks confirms the theoretical predictions within a factor of 2$-$3 on average. The results yield practical guidelines for planning data collection, selecting model complexity, and evaluating physics model assumptions in prognostics applications.
• Abstract（参考訳）: データ駆動型残留有用寿命(RUL)予測は、トレーニングのために完全な劣化軌跡を必要とするが、そのような障害データはほとんどなく、高価である。 現在、実践者は、与えられたモデルと精度の目標に十分な障害例の数について、原則化されたガイダンスを欠いています。 本稿では,3つのテーマを中心に整理された7つの主要な結果からなるRUL予測の複雑性フレームワークについて述べる。 まず、分布自由一般化境界は平均二乗誤差の均一な偏差が$O(B^{2}\sqrt{p/n})$として減少することを示す。 劣化物理を取り入れることで、ディープネットワークの最大2桁のデータの要求が減少し、ベルンシュタイン型解析では、高信号対雑音条件下での極小最大値O(p/n)$レートが達成され、クローズドフォームの罰則は、誤った仮定された物理モデルが助けではなく、痛むことを明らかにする。 第3に、データ品質の影響を特徴づける: 艦隊の変動性は、既約バイアス$-$分散トレードオフを誘導し、一方、右検閲された観測は、劣化クラスに大きく依存する効率損失を被る。 クローズドフォーム式は指数関数、パワーロー、ストレッチド指数分解のために提供される。 公表されたターボファン、バッテリ、およびベアリングベンチマークに対する \rev{Cross- domain 検証は、平均で 2$-$3 の係数で理論的予測を確認する。 この結果から,データ収集の計画,モデルの複雑性の選択,物理モデルの仮定評価の実践的ガイドラインが得られた。

関連論文リスト

• A Theory-guided Weighted $L^2$ Loss for solving the BGK model via Physics-informed neural networks [0.0]
  高速度領域の誤差を効果的に補償するために,速度重み付き$L2$損失関数を導入する。 この重み付けされたPINN損失を用いることで、標準手法と比較して、様々なベンチマークにおいて精度と堅牢性が向上することを示す。
  論文  参考訳（メタデータ） (2026-04-04T11:13:18Z)
• Causal Direction from Convergence Time: Faster Training in the True Causal Direction [0.0]
  最適化力学に基づく因果方向同定の原理である因果計算非対称性(Causal Computational Asymmetric, CCA)を紹介する。 CCAは最適化時空間で動作し、RESIT、IGCI、SkewScoreなどの手法と区別する。 さらに、グラフ構造学習、因果情報圧縮、ポリシー最適化を統合したCausal Compression Learning(CCL)というフレームワークにCCAを組み込む。
  論文  参考訳（メタデータ） (2026-02-24T21:34:57Z)
• Difficulty-Estimated Policy Optimization [38.86673795561421]
  推論アライメントの効率性とロバスト性を最適化する新しいフレームワークであるDifficulty-Estimated Policy Optimization (DEPO)を提案する。 提案手法は,高性能推論モデルの学習における計算障壁を大幅に減らし,推論スケーリングのためのより持続可能な経路を提供する。
  論文  参考訳（メタデータ） (2026-02-06T04:12:23Z)
• A Relative-Budget Theory for Reinforcement Learning with Verifiable Rewards in Large Language Model Reasoning [48.70183357021465]
  強化学習(Reinforcement Learning, RL)は、大規模言語モデルの推論能力を改善するための主要なパラダイムである。 本稿では, 相対予算$:= H/mathbbE[T]$という単一の量を用いて, この変動を説明する式式予算理論を提案する。 報奨の分散と情報トラジェクトリの確率を制御して,$$がサンプル効率を決定することを示す。
  論文  参考訳（メタデータ） (2026-02-02T01:31:52Z)
• Hard Negative Sample-Augmented DPO Post-Training for Small Language Models [4.425580048633862]
  本稿では,現実的な計算予算下での構造化エラーを対象とする,軽量で実用的なポストトレーニングパイプラインを提案する。 本研究では,候補解を6次元の誤差プロファイルに分解し,解釈可能な誤りと不条理のスコアに集約するコンパクトなMathVerifierを提案する。 実験により、検証対象の重み付きDPOは、バニラSFTや未重み付きDPOよりも目標となる改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2025-12-17T06:15:52Z)
• Generative Modeling with Continuous Flows: Sample Complexity of Flow Matching [60.37045080890305]
  本稿では,フローマッチングに基づく生成モデルにおいて,サンプルの複雑さを初めて解析する。 速度場推定誤差をニューラルネットワーク近似誤差、有限標本サイズによる統計的誤差、速度場推定のための有限個の最適化ステップによる最適化誤差に分解する。
  論文  参考訳（メタデータ） (2025-12-01T05:14:25Z)
• Correcting False Alarms from Unseen: Adapting Graph Anomaly Detectors at Test Time [60.341117019125214]
  グラフ異常検出(GAD)における未確認正規pattErnsの修正のための,軽量かつプラグアンドプレイなテスト時間適応フレームワークを提案する。 意味的混乱に対処するために、シフトしたデータと元のデータとをグラフ属性レベルで整合させるグラフ整合器を用いる。 10個の実世界のデータセットに対する大規模な実験により、TUNEは事前学習されたGADモデルの合成パターンと実際の見えない正常パターンの両方への一般化性を著しく向上することが示された。
  論文  参考訳（メタデータ） (2025-11-10T12:10:05Z)
• Minimax optimal transfer learning for high-dimensional additive regression [0.0]
  まず,局所線形平滑化を考慮したスムーズなバックフィッティング推定法を提案する。 そこで我々は,移動学習フレームワーク内に新たな2段階推定手法を開発し,人口と経験レベルの理論的保証を提供する。
  論文  参考訳（メタデータ） (2025-09-08T03:16:05Z)
• Decentralized Nonconvex Composite Federated Learning with Gradient Tracking and Momentum [78.27945336558987]
  分散サーバ(DFL)はクライアント・クライアント・アーキテクチャへの依存をなくす。 非滑らかな正規化はしばしば機械学習タスクに組み込まれる。 本稿では,これらの問題を解決する新しいDNCFLアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-04-17T08:32:25Z)
• Rejection via Learning Density Ratios [50.91522897152437]
  拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。 そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。 私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
  論文  参考訳（メタデータ） (2024-05-29T01:32:17Z)
• DF2: Distribution-Free Decision-Focused Learning [30.288876294435294]
  決定中心学習(DFL)は,予測列最適化問題に対する強力なアプローチとして登場した。 DFLはモデル誤差、サンプル平均近似誤差、近似誤差の3つのボトルネックに直面している。 本稿では,この3つのボトルネックを緩和する決定自由学習手法であるDF2を提案する。
  論文  参考訳（メタデータ） (2023-08-11T00:44:46Z)
• Towards Faster Non-Asymptotic Convergence for Diffusion-Based Generative Models [49.81937966106691]
  我々は拡散モデルのデータ生成過程を理解するための非漸近理論のスイートを開発する。 従来の研究とは対照的に,本理論は基本的だが多目的な非漸近的アプローチに基づいて開発されている。
  論文  参考訳（メタデータ） (2023-06-15T16:30:08Z)
• Towards an Understanding of Benign Overfitting in Neural Networks [104.2956323934544]
  現代の機械学習モデルは、しばしば膨大な数のパラメータを使用し、通常、トレーニング損失がゼロになるように最適化されている。 ニューラルネットワークの2層構成において、これらの良質な過適合現象がどのように起こるかを検討する。 本稿では,2層型ReLUネットワーク補間器を極小最適学習率で実現可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-06T19:08:53Z)

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。