Fugu-MT 論文翻訳(概要): A Transferable Autologistic Model for Predicting Rare Failures in Heterogeneous Equipment

論文の概要: A Transferable Autologistic Model for Predicting Rare Failures in Heterogeneous Equipment

arxiv url: http://arxiv.org/abs/2608.06695v1
Date: Fri, 07 Aug 2026 01:48:11 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-10 16:21:25.324632
Title: A Transferable Autologistic Model for Predicting Rare Failures in Heterogeneous Equipment
Title（参考訳）: 異種機器の希少故障予測のためのトランスファー可能なオートロジクスモデル
Abstract要約: 本稿では,異種機器群にまたがる故障関連パターンを学習し,対象機器に同義に適応する汎用確率モデルを提案する。センサ構成, 動作条件, 故障タイプが異なる27個の模擬冷凍機からなる合成冷凍機を用いて, 性能評価を行った。
参考スコア（独自算出の注目度）: 2.2940141855172036
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Predicting failures before they occur remains a major challenge in predictive maintenance, particularly when failures are rare, when equipment of the same family differ in sensor configurations, and when the goal is anticipation rather than diagnosis of an already observed fault. This paper proposes a common-to-target probabilistic model that learns shared failure-related patterns across a family of heterogeneous equipment and adapts parsimoniously to target equipment. The model explicitly accounts for sensor heterogeneity, operating context, and degradation dynamics to produce calibrated failureprobability estimates suitable for maintenance planning. Its performance is evaluated on a synthetic refrigerator dataset comprising 27 simulated refrigerators with varying sensor configurations, operating conditions, and failure types, providing a controlle
Abstract（参考訳）: 特に、故障が稀な場合、同じ家族の機器がセンサー構成が異なる場合、そして、既に観測されている故障の診断よりも、目標が予測されている場合などである。本稿では,異種機器群間の共通故障関連パターンを学習し,対象機器に同義に適応する共通目標確率モデルを提案する。このモデルは、保守計画に適したキャリブレーションされた故障確率推定を生成するために、センサの不均一性、運用状況、劣化ダイナミクスを明示的に説明する。センサ構成, 動作条件, 故障タイプが異なる27個の模擬冷凍機からなる合成冷凍機データセット上での性能評価を行い, 制御器を提供する。

関連論文リスト

Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
論文参考訳（メタデータ） (2026-08-20T13:59:57Z)
Particle-Based Conformal Prediction for Contact-Aware Uncertainty Calibration in Stratified Configuration Spaces [9.883377782603285]
半次元不確かさ表現(CaPTURe)のための校正粒子集合を提案する。 CaPTUReは、任意の忠実度の粒子モデルを用いて、未知の将来のシステム構成の確率論的に有効な予測領域を生成する。本手法は,ラビリンス周囲の大理石を制御し,マニピュレータを用いた高耐圧ペグインホール挿入を行う2つのシミュレーション計画課題について評価した。
論文参考訳（メタデータ） (2026-08-10T06:22:10Z)
From Uncertainty to Failure Attribution: Self-Diagnosing Models for Failure Attribution under Distribution Shift [0.3948325938742681]
分散シフト下での障害帰属に関する問題設定を導入する。これにより、モデルがOODサンプルを検出するだけでなく、失敗の原因を見つけることもできる。提案する手法は自己診断モデルと呼ばれ,予測出力,予測不確実性,障害帰属信号などを共同で学習することができる。
論文参考訳（メタデータ） (2026-08-08T06:32:20Z)
Collaborative System Failure Prognostics via Federated Longitudinal-Survival Modeling [13.404705706866574]
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。
論文参考訳（メタデータ） (2026-07-28T17:46:19Z)
Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
論文参考訳（メタデータ） (2026-05-28T13:26:53Z)
Diverging Flows: Detecting Extrapolations in Conditional Generation [3.1784840992666137]
分散フローは、単一のモデルが条件生成とネイティブな外挿検出を同時に実行できるようにする、新しいアプローチである。予測忠実さや推論遅延を損なうことなく、効果的な外挿検出を実現する。これらの結果は、信頼できるフローモデルのための堅牢なソリューションとして、Diverging Flowsを確立し、医療、ロボティクス、気候科学といった領域への信頼性の高いデプロイメントの道を開いた。
論文参考訳（メタデータ） (2026-02-13T16:15:58Z)
Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
論文参考訳（メタデータ） (2026-01-28T08:33:10Z)
Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
論文参考訳（メタデータ） (2025-12-09T17:20:56Z)
FaultDiffusion: Few-Shot Fault Time Series Generation with Diffusion Model [18.6566004479231]
故障診断はシステムの信頼性を確保し、予測保守を可能にするために重要である。豊富な正規データに最適化された既存の時系列生成モデルは、数ショットのシナリオで障害分布のキャプチャに苦労する。拡散モデルに基づく新しい数ショットの故障時系列生成フレームワークを提案する。
論文参考訳（メタデータ） (2025-11-19T06:53:15Z)
Rejecting Hallucinated State Targets during Planning [84.179112256683]
計画過程において、生成的または予測的モデルは、期待される状態や望ましい状態の集合を表す「ターゲット」を提案するためにしばしば用いられる。残念ながら、学習したモデルは必然的に幻覚を与え、妄想的な行動や安全上の懸念を引き起こす可能性がある。我々は、目標実現可能性評価器を学習することで、実現不可能な目標を特定し、拒否する戦略を考案する。
論文参考訳（メタデータ） (2024-10-09T17:35:25Z)
A Model for Optimal Resilient Planning Subject to Fallible Actuators [28.11583381961291]
我々は,Markov Decision Processes (MDP) フレームワーク内での故障を受けやすいアクチュエータによる計画の問題を定式化する。このモデルは、利用駆動型故障とアクチュエータ故障の状態依存確率をキャプチャする。我々は、構成が密接に関連する問題を生じさせるという観察を生かして、再使用による計算を省く機会を見出した。
論文参考訳（メタデータ） (2024-05-18T22:07:38Z)
An Improved Anomaly Detection Model for Automated Inspection of Power Line Insulators [0.0]
電力系統の信頼性を確保するためには絶縁体の検査が重要である。検査プロセスを自動化するために、ディープラーニングがますます活用されています。本稿では,異常検出とオブジェクト検出の2段階的アプローチを提案する。
論文参考訳（メタデータ） (2023-11-14T11:36:20Z)
Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
論文参考訳（メタデータ） (2021-07-28T10:19:58Z)
Predictive Maintenance for Edge-Based Sensor Networks: A Deep Reinforcement Learning Approach [68.40429597811071]
未計画の設備停止のリスクは、収益発生資産の予測保守によって最小化することができる。機器に基づくセンサネットワークのコンテキストから予測機器のメンテナンスを行うために,モデルフリーのDeep Reinforcement Learningアルゴリズムを提案する。従来のブラックボックス回帰モデルとは異なり、提案アルゴリズムは最適なメンテナンスポリシーを自己学習し、各機器に対して実行可能なレコメンデーションを提供する。
論文参考訳（メタデータ） (2020-07-07T10:00:32Z)

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。