論文の概要: Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling

• arxiv url: http://arxiv.org/abs/2607.26038v1
• Date: Tue, 28 Jul 2026 17:46:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-30 07:19:40.557278
• Title: Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling
• Title（参考訳）: 連立縦-生存モデルによる協調システムの故障診断
• Authors: Fan Yang, Madelyn Weller, Dimuthu Fernando, Hila Livneh, Yuxin Wen,
• Abstract要約: 提案するフレームワークは、縦型センサ表現学習とクライアント分離型離散時間ハザード目標を組み合わせたものである。 4つのC-MAPSSターボファンエンジン劣化サブセットを模擬分散型設定で実験した結果,提案手法は予測性能を継続的に向上することが示された。
• 参考スコア（独自算出の注目度）: 13.404705706866574
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Time-to-event modeling provides a systematic framework for estimating time-dependent failure risk, reliability, and remaining useful life (RUL) from longitudinal condition monitoring data. However, applying these models to distributed prognostics remains challenging because sensor trajectories and failure-time records are often stored across organizations or operational sites and cannot be centrally pooled due to privacy or proprietary constraints. Moreover, the classical Cox proportional hazards model relies on a nonseparable partial likelihood involving global risk sets, making direct optimization difficult under standard federated learning protocols. This paper presents a federated longitudinal-survival modeling framework for collaborative system failure prognostics. The proposed framework combines longitudinal sensor representation learning with a client-separable discrete-time hazard objective, enabling multiple clients to collaboratively train a prognostic model without sharing raw sensor measurements or individual failure records. Time-dependent representations extracted from multivariate sensor histories are used to estimate interval-specific failure hazards, reliability curves, and system RUL. Experiments on the four C-MAPSS turbofan engine degradation subsets under simulated decentralized settings demonstrate that the proposed framework consistently improves prognostic performance over isolated local training while maintaining performance comparable to centralized training across heterogeneous operating conditions and failure modes. These results demonstrate the potential of federated longitudinal-survival modeling for collaborative, data-aware condition monitoring and system failure prognostics.
• Abstract（参考訳）: Time-to-event モデリングは、時間依存の障害リスク、信頼性、および長期状態監視データから有用な寿命(RUL)を推定するための体系的なフレームワークを提供する。 しかし、これらのモデルを分散型の予後に適用することは、センサーの軌跡や障害時の記録が組織や運用現場に分散して保存されることが多く、プライバシやプロプライエタリな制約のために集中的にプールできないため、依然として難しい。 さらに、古典的コックス比例ハザードモデルは、大域的リスクセットを含む非分離的部分可能性に依存しており、標準的フェデレート学習プロトコルでは直接最適化が困難である。 本稿では,協調型システム故障診断のための縦断生存モデリングフレームワークを提案する。 提案フレームワークは、縦型センサ表現学習とクライアント分離型離散時間ハザード目標を組み合わせることで、複数のクライアントが生のセンサ測定や個々の障害記録を共有することなく、予測モデルを協調的に訓練することができる。 多変量センサヒストリーから抽出した時間依存表現を用いて、間隔特異的な障害ハザード、信頼性曲線、システムRULを推定する。 4つのC-MAPSSターボファンエンジン劣化サブセットを模擬分散環境下で実験した結果,不均一な運転条件や故障モードにまたがる集中訓練に匹敵する性能を維持しつつ,一貫した局所訓練による予測性能の向上が図られた。 これらの結果は,協調型データ認識型状態モニタリングとシステム障害診断のための,連合型長手生存モデルの可能性を示している。

関連論文リスト

• Continuous-Time Gaussian Belief Trees for Motion Planning [12.755527639646381]
  プロセス中の連続時間システムのサンプリングに基づく動作計画と測定の不確実性に対処する。 我々は、測定間の連続時間ODEに基づいて、その信念が進化する、オフラインなハイブリッドな信念伝播モデルを導出する。 安全を確保するため,セグメンテーションレベルの確率的検証のための確信バリア機能に基づく安全チェッカーを導入する。
  論文  参考訳（メタデータ） (2026-07-03T02:29:42Z)
• TimeLAVA: Learning-Agnostic Data Valuation for Time Series [48.76711740818533]
  TimeLAVAは、評価データと参照データの間の分布差を最小限に抑えるために、時間セグメントを限界貢献によって評価する学習非依存のフレームワークである。 モデルに依存しない一般化にバリュエーションをリンクする理論的保証を提供し、汚染に対する有界感度を証明する。
  論文  参考訳（メタデータ） (2026-06-17T06:16:16Z)
• AnchorMoE: Interpretable Time Series Classification via Anchor-Routed MoE [51.994752158953084]
  AnchorMoEは、解釈可能な構成別分類フレームワークである。 ローカルパッチのマルチビュー表現をエンコードし、専門の専門家にルーティングする。 実世界のベンチマークと合成ベンチマークの実験は、AnchorMoEが非常に競争力のある分類性能を達成することを示した。
  論文  参考訳（メタデータ） (2026-06-02T13:30:54Z)
• Trajectory-Aware Reliability Modeling of Democratic Systems [0.0]
  複雑なシステムの障害は、孤立したショックではなく、相互作用するコンポーネント間のストレスの伝播によって生じる。 従来の信頼性モデルとサバイバルモデルは、一般的に現在のシステム状態に基づいて障害リスクを見積もるが、時間とともに組織ネットワークを通じてどのように劣化が伝播するかを明確に把握しない。 本稿では,動的因果ニューラルオートレグレスに基づくトラジェクショナル・アウェア・信頼性モデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-22T02:47:31Z)
• Extended Hybrid Timed Petri Nets with Semi-Supervised Anomaly Detection for Switched Systems, Modelling and Fault Detection [0.0]
  本稿では,ハイブリッド力学系のための統合障害検出フレームワークを提案する。 拡張時間連続ペトリネットモデルと半教師付き異常検出を統合している。 その結果,高い検出精度,高速収束,ロバスト性能が得られた。
  論文  参考訳（メタデータ） (2026-04-05T10:54:15Z)
• A Representation-Consistent Gated Recurrent Framework for Robust Medical Time-Series Classification [0.0]
  隠れ状態表現における時間的一貫性を強制する規則化された正規化戦略を導入するための表現一貫性を持つゲートリカレントフレームワーク(RC-GRF)を提案する。 提案するフレームワークはモデルに依存しないため,内部ゲーティング機構を変更することなく,既存のゲート型リカレントアーキテクチャに統合することができる。
  論文  参考訳（メタデータ） (2026-02-10T17:16:49Z)
• Fed-Joint: Joint Modeling of Nonlinear Degradation Signals and Failure Events for Remaining Useful Life Prediction using Federated Learning [1.024113475677323]
  非線形劣化信号と時間-障害データの連成モデリングを用いたRUL予測のための新しい予測フレームワークを提案する。 提案手法は, フェデレートされた多出力ガウスプロセスを用いて非パラメトリック劣化モデルを構築し, フェデレーションサバイバルモデルを用いて, サービス内機器の故障時間と確率を予測する。
  論文  参考訳（メタデータ） (2025-03-17T17:34:34Z)
• Probabilities Are Not Enough: Formal Controller Synthesis for Stochastic Dynamical Models with Epistemic Uncertainty [68.00748155945047]
  複雑な力学系のモデルにおける不確実性を捉えることは、安全なコントローラの設計に不可欠である。 いくつかのアプローチでは、安全と到達可能性に関する時間的仕様を満たすポリシーを形式的な抽象化を用いて合成する。 我々の貢献は、ノイズ、不確実なパラメータ、外乱を含む連続状態モデルに対する新しい抽象的制御法である。
  論文  参考訳（メタデータ） (2022-10-12T07:57:03Z)
• Continuous-Time Modeling of Counterfactual Outcomes Using Neural Controlled Differential Equations [84.42837346400151]
  反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。 既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。 そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
  論文  参考訳（メタデータ） (2022-06-16T17:15:15Z)

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。