論文の概要: TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement

• arxiv url: http://arxiv.org/abs/2608.11951v1
• Date: Wed, 12 Aug 2026 11:37:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.565068
• Title: TailBooster: A Dual-Layer Generative Framework for Extreme Value Augmentation with Operational Validity Enforcement
• Title（参考訳）: TailBooster: 運用バリデーティ強化による極端な価値向上のための2層生成フレームワーク
• Abstract要約: 航空輸送における極度の出来事は、大規模な運用、経済、安全コストを伴うカスケードネットワークの破壊を引き起こす。 合成データ拡張は、原則化された解を提供するが、従来の生成モデルは分布尾を表現していない。 生成モデルと異常検出層を組み合わせた二重層生成フレームワークTailBoosterを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Extreme events in air transport, such as severe arrival delays and abnormal air times, cause cascading network disruptions with substantial operational, economic, and safety costs. Such events are rare in historical records, leaving insufficient training signal for machine learning models. Synthetic data augmentation offers a principled solution, but conventional generative models under-represent distributional tails and give no guarantee against operationally infeasible instances, such as a short air time paired with a long flight distance. No existing approach addresses both limitations for mixed-type tabular records. We propose TailBooster, a dual-layer generative framework combining generative modelling with two anomaly detection layers. A statistical layer extracts extremes via the interquartile range, supplying tail-concentrated training signal to dedicated generative models, here a Tabular Variational Autoencoder. A deep learning layer then applies autoencoder-based cleaning, discarding synthetic records that violate the operational envelope learned from historical data. The framework was evaluated on US flight records across five dimensions: diversity, statistical similarity, fidelity, operational validity, and utility, the latter two being the primary improvement targets. Data-driven cleaning markedly improved operational validity, while targeted augmentation enhanced utility for extreme-event prediction. Across six regression algorithms, training on the framework's records reduced Mean Absolute Error by 47-49% on extreme air time and 29-57% on extreme arrival delay prediction relative to conventional synthetic data, with comparable gains when real records were enriched with synthetic extremes. Being fully data-driven and model-agnostic, TailBooster extends to domains where extreme-event prediction is critical and domain-specific rules are unavailable.
• Abstract（参考訳）: 高度の到着遅延や異常な飛行時間などの航空輸送における極端な出来事は、大規模な運用、経済、安全コストを伴うカスケードネットワークの破壊を引き起こす。 このような出来事は歴史的記録では稀であり、機械学習モデルに不十分な訓練信号を残している。 合成データ拡張は、原則化された解決策を提供するが、従来の生成モデルは分布尾を表現していないため、長い飛行距離と組み合わせた短い空気時間のような運用上の不可能なインスタンスに対して保証を与えない。 混合型表レコードのどちらの制限にも既存のアプローチは対応していない。 生成モデルと2つの異常検出層を組み合わせた2層生成フレームワークであるTailBoosterを提案する。 統計層は、周波数領域を介して極端を抽出し、タブラル変分オートエンコーダ(Tabular Variational Autoencoder)と呼ばれる専用の生成モデルに尾に集中した訓練信号を供給する。 深層学習層はオートエンコーダをベースとしたクリーニングを適用し、過去のデータから得られた操作エンベロープに違反する合成レコードを破棄する。 この枠組みは、多様性、統計的類似性、忠実性、運用上の妥当性、実用性という5つの次元にわたるアメリカの飛行記録で評価され、後者の2つは主要な改善目標である。 データ駆動クリーニングは操作効率を著しく改善し、ターゲット拡張ユーティリティーは極端にエフェクトの予測に役立った。 6つの回帰アルゴリズムで, 平均絶対誤差を極端空気時間で47～49%, 従来の合成データと比較して極端到着遅延予測で29～57%低減し, 実記録に合成極度を富ませた場合には同等の利得を得た。 完全にデータ駆動でモデルに依存しないTailBoosterは、極端なイベント予測が重要でドメイン固有のルールが利用できないドメインに拡張する。

関連論文リスト

• Generative Augmentation of Imbalanced Flight Records for Flight Diversion Prediction: A Multi-objective Optimisation Framework [0.0]
  飛行の転換はまれであるが、航空における高影響の出来事であり、安全性と運用効率の両方において信頼性の高い予測が不可欠である。 本研究は, モデルトレーニングを向上し, 予測精度を向上させるために, 生成モデルが合成ディバージョンレコードを用いて過去の飛行データを増大させる方法について検討する。
  論文  参考訳（メタデータ） (2026-04-22T07:35:11Z)
• Uncertainty-Aware Delivery Delay Duration Prediction via Multi-Task Deep Learning [11.2212153491325]
  本稿では,重大不均衡データの存在下での納期遅延予測のためのマルチタスク深層学習モデルを提案する。 提案モデルは,産業パートナーによる大規模実世界のデータセットを用いて評価する。 実験結果から,提案手法は平均絶対誤差が0.67-0.91日であることがわかった。
  論文  参考訳（メタデータ） (2026-02-23T19:01:03Z)
• Improving Real-Time Concept Drift Detection using a Hybrid Transformer-Autoencoder Framework [0.0]
  応用機械学習では、概念ドリフトはモデルの性能を著しく低下させる。 本研究では,複雑な時間力学をモデル化するためのトランスフォーマーとオートエンコーダを組み合わせたハイブリッドフレームワークを提案する。 以上の結果から,トランスフォーメーション・オートエンコーダは,文献で一般的に用いられるオートエンコーダよりも早く,より感度の高いドリフトを検出した。
  論文  参考訳（メタデータ） (2025-08-09T19:39:33Z)
• TWINS: A Fine-Tuning Framework for Improved Transferability of Adversarial Robustness and Generalization [89.54947228958494]
  本稿では,様々な分類タスクにおいて,逆向きに事前訓練されたモデルの微調整に焦点を当てる。 本稿では,TWINS(Two-WIng NormliSation)ファインチューニングフレームワークを提案する。 TWINSは、一般化とロバスト性の両方の観点から、幅広い画像分類データセットに有効であることが示されている。
  論文  参考訳（メタデータ） (2023-03-20T14:12:55Z)
• DTAAD: Dual Tcn-Attention Networks for Anomaly Detection in Multivariate Time Series Data [0.0]
  本稿では,Transformer と Dual Temporal Convolutional Network (TCN) に基づく異常検出・診断モデル DTAAD を提案する。 予測精度の向上と相関性の向上のために,スケーリング手法とフィードバック機構を導入している。 7つの公開データセットに対する実験により、DTAADは検出および診断性能の両面で現在最先端のベースライン法の大部分を超えていることが確認された。
  論文  参考訳（メタデータ） (2023-02-17T06:59:45Z)
• A Bayesian Generative Adversarial Network (GAN) to Generate Synthetic Time-Series Data, Application in Combined Sewer Flow Prediction [3.3139597764446607]
  機械学習では、生成モデル(generative model)は、データ分散を学習して人工データを生成する方法のクラスである。 本研究では,限られた時系列データのバランスをとるために,合成時系列を生成するGANモデルを開発した。 本研究の目的は, 降水量データを用いて流れを予測し, モデル性能における合成データを用いたデータ増大の影響を検討することである。
  論文  参考訳（メタデータ） (2023-01-31T16:12:26Z)
• Distributed Adversarial Training to Robustify Deep Neural Networks at Scale [100.19539096465101]
  現在のディープニューラルネットワーク(DNN)は、入力に対する敵の摂動が分類を変更したり操作したりする敵の攻撃に対して脆弱である。 このような攻撃を防御するために、敵の訓練(AT)として知られる効果的なアプローチが、堅牢な訓練を緩和するために示されている。 複数のマシンにまたがって実装された大規模バッチ対逆トレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-13T15:39:43Z)
• 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)
• Churn Reduction via Distillation [54.5952282395487]
  本研究は, 基礎モデルを教師として用いた蒸留によるトレーニングと, 予測的チャーンに対する明示的な制約によるトレーニングとの等価性を示す。 次に, 蒸留が近年の多くのベースラインに対する低チャーン訓練に有効であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T18:03:31Z)
• Predicting traffic signals on transportation networks using spatio-temporal correlations on graphs [56.48498624951417]
  本稿では,複数の熱拡散カーネルをデータ駆動予測モデルにマージして交通信号を予測する交通伝搬モデルを提案する。 予測誤差を最小限に抑えるためにベイズ推定を用いてモデルパラメータを最適化し,2つの手法の混合率を決定する。 提案モデルでは,計算労力の少ない最先端のディープニューラルネットワークに匹敵する予測精度を示す。
  論文  参考訳（メタデータ） (2021-04-27T18:17:42Z)
• T$^2$-Net: A Semi-supervised Deep Model for Turbulence Forecasting [65.498967509424]
  空気の乱気流予測は、乗客の安全を保ち、効率を最大化し、コストを下げるガイドルートである有害な乱気流を避けるのに役立つ。 従来の予測手法は、動的で複雑な気象条件では効果の低い、高度にカスタマイズされた乱流指数に依存している。 本研究では,(1)複雑な時間的相関関係と(2)希少性,非常に限られた乱流ラベルが得られるという2つの課題から,機械学習による乱流予測システムを提案する。
  論文  参考訳（メタデータ） (2020-10-26T21:14:15Z)
• Long-Short Term Spatiotemporal Tensor Prediction for Passenger Flow Profile [15.875569404476495]
  本稿では,テンソルに基づく予測に焦点をあて,予測を改善するためのいくつかの実践的手法を提案する。 具体的には、長期予測のために「テンソル分解+2次元自己回帰移動平均(2D-ARMA)」モデルを提案する。 短期予測のために,テンソルクラスタリングに基づくテンソル補完を行い,過度に単純化され精度が保証されるのを避けることを提案する。
  論文  参考訳（メタデータ） (2020-04-23T08:30:00Z)

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。