論文の概要: Representative Dataset Generation Framework for AI-based Failure Analysis during real-time Validation of Automotive Software Systems
- arxiv url: http://arxiv.org/abs/2608.09651v1
- Date: Mon, 10 Aug 2026 14:28:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-11 19:16:37.305624
- Title: Representative Dataset Generation Framework for AI-based Failure Analysis during real-time Validation of Automotive Software Systems
- Title（参考訳）: 自動車ソフトウェアシステムのリアルタイム検証におけるAIに基づく故障解析のための代表的データセット生成フレームワーク
- Abstract要約: ハードウェア・イン・ザ・ループ(HIL)シミュレーションとリアルタイム・フォールト・インジェクション(FI)手法に基づく新しい手法を提案する。
このフレームワークはシーケンシャルデータだけでなく、フォールトログを含むテキストデータも生成できる。
- 参考スコア（独自算出の注目度）: 2.6126272668390373
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recently, thanks to its ability to extract knowledge from historical datasets, the data-driven approach has been widely used in various phases of the system development life cycle. During real-time system validation, remarkable achievements have been accomplished in developing an intelligent failure analysis based on historical data. However, despite its superiority over other conventional approaches, e.g., model-based and signal-based, the availability of representative datasets persists as a major challenge. Thus, for different engineering applications, new solutions to generate representative faulty data in different forms should be explored. Therefore, in this study, a novel approach based on Hardware-in-the-Loop (HIL) simulation and real-time Fault Injection (FI) method is proposed to generate and collect data samples under single and simultaneous faults for Machine Learning (ML) applications during system validation phases. The developed framework can generate not only sequential data, but also textual data including fault logs. The results show the applicability of the proposed framework in simulating and capturing the system behaviour under faults within the system components.
- Abstract（参考訳）: 近年,歴史的データセットから知識を抽出する能力により,システム開発ライフサイクルの様々な段階において,データ駆動型アプローチが広く用いられている。
リアルタイムシステム検証では, 履歴データに基づくインテリジェントな故障解析の開発において, 顕著な成果が得られた。
しかし、モデルベースや信号ベースといった従来のアプローチよりも優れているにもかかわらず、代表データセットの可用性は大きな課題である。
したがって、異なる工学的応用のためには、異なる形態で代表的欠陥データを生成する新しい方法を検討する必要がある。
そこで本研究では,ハードウェア・イン・ザ・ループ(HIL)シミュレーションとリアルタイム・フォールト・インジェクション(FI)手法に基づく新しい手法を提案し,システム検証段階における機械学習(ML)アプリケーションのための単一・同時故障データの生成と収集を行う。
開発したフレームワークは、シーケンシャルデータだけでなく、フォールトログを含むテキストデータも生成できる。
その結果,システムコンポーネント内の障害下でのシステム動作のシミュレーションとキャプチャにおけるフレームワークの適用性を示した。
関連論文リスト
- A Computationally Efficient Learning of Artificial Intelligence System Reliability Considering Error Propagation [4.088049786040034]
本稿では、物理に基づく自動運転車シミュレーションプラットフォームを用いて、AIシステムの信頼性分析のための高品質なデータを生成する。
ステージ間のエラー伝搬を明示的に特徴付ける新しい信頼性モデリングフレームワークを開発した。
自律走行車認識システムに対する信頼性モデリングへの応用は、その予測精度と計算効率を示す。
論文 参考訳（メタデータ） (2026-03-18T18:53:46Z) - Data Shift of Object Detection in Autonomous Driving [0.40792653193642503]
自律走行物体検出タスクにおけるデータシフト問題について検討する。
我々は、データセットの分類とバランスをとるためにシフト検出分析技術を採用している。
このアプローチを検証するために,CycleGANベースのデータ拡張技術とYOLOv5フレームワークを統合することにより,モデルを最適化する。
論文 参考訳（メタデータ） (2025-08-16T01:52:31Z) - A hybrid feature learning approach based on convolutional kernels for
ATM fault prediction using event-log data [5.859431341476405]
イベントログデータから特徴を抽出するために,畳み込みカーネル(MiniROCKETとHYDRA)に基づく予測モデルを提案する。
提案手法は,実世界の重要な収集データセットに適用される。
このモデルは、ATMのタイムリーなメンテナンスにおいてオペレータをサポートするコンテナベースの意思決定支援システムに統合された。
論文 参考訳（メタデータ） (2023-05-17T08:55:53Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Leveraging the structure of dynamical systems for data-driven modeling [111.45324708884813]
トレーニングセットとその構造が長期予測の品質に与える影響を考察する。
トレーニングセットのインフォームドデザインは,システムの不変性と基盤となるアトラクションの構造に基づいて,結果のモデルを大幅に改善することを示す。
論文 参考訳（メタデータ） (2021-12-15T20:09:20Z) - Data-driven Residual Generation for Early Fault Detection with Limited
Data [4.129225533930966]
多くの複雑なシステムでは、システムのための高精度なモデルを開発することは不可能である。
データ駆動型ソリューションは、いくつかの実践的な理由から、産業システムにおいて大きな注目を集めている。
モデルに基づく手法とは異なり、圧力や電圧などの時系列測定を他の情報源と組み合わせることが直接の前進である。
論文 参考訳（メタデータ） (2021-09-28T03:18:03Z) - DAE : Discriminatory Auto-Encoder for multivariate time-series anomaly
detection in air transportation [68.8204255655161]
識別オートエンコーダ(DAE)と呼ばれる新しい異常検出モデルを提案する。
通常のLSTMベースのオートエンコーダのベースラインを使用するが、いくつかのデコーダがあり、それぞれ特定の飛行フェーズのデータを取得する。
その結果,DAEは精度と検出速度の両方で良好な結果が得られることがわかった。
論文 参考訳（メタデータ） (2021-09-08T14:07:55Z) - An Extensible Benchmark Suite for Learning to Simulate Physical Systems [60.249111272844374]
我々は、統一されたベンチマークと評価プロトコルへの一歩を踏み出すために、一連のベンチマーク問題を導入する。
本稿では,4つの物理系と,広く使用されている古典的時間ベースおよび代表的なデータ駆動手法のコレクションを提案する。
論文 参考訳（メタデータ） (2021-08-09T17:39:09Z) - A Framework for Machine Learning of Model Error in Dynamical Systems [7.384376731453594]
データから動的システムを特定するために,機械的アプローチと機械学習アプローチを混在させる統一フレームワークを提案する。
モデルエラーがメモリレスであり、大きなメモリを持つ問題に対して、連続時間と離散時間の両方で問題を提起した。
ハイブリッド手法は、データ飢餓、モデルの複雑さの要求、全体的な予測性能において、データ駆動アプローチよりも大幅に優れています。
論文 参考訳（メタデータ） (2021-07-14T12:47:48Z) - Using Data Assimilation to Train a Hybrid Forecast System that Combines
Machine-Learning and Knowledge-Based Components [52.77024349608834]
利用可能なデータがノイズの多い部分測定の場合,カオスダイナミクスシステムのデータ支援予測の問題を検討する。
動的システムの状態の部分的測定を用いることで、不完全な知識ベースモデルによる予測を改善するために機械学習モデルを訓練できることを示す。
論文 参考訳（メタデータ） (2021-02-15T19:56:48Z) - How Training Data Impacts Performance in Learning-based Control [67.7875109298865]
本稿では,トレーニングデータの密度と制御性能の関係を考察する。
データセットの品質尺度を定式化し、$rho$-gap と呼ぶ。
フィードバック線形化制御法に$rho$-gapを適用する方法を示す。
論文 参考訳（メタデータ） (2020-05-25T12:13:49Z)
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。