論文の概要: Beyond Thresholds: A Quality-Aware Decision Intelligence Framework for Cold Chain IoT Systems

• arxiv url: http://arxiv.org/abs/2608.15082v1
• Date: Sat, 15 Aug 2026 06:59:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.180846
• Title: Beyond Thresholds: A Quality-Aware Decision Intelligence Framework for Cold Chain IoT Systems
• Title（参考訳）: Beyond Thresholds: コールドチェインIoTシステムのための品質認識型意思決定インテリジェンスフレームワーク
• Abstract要約: コールドチェーンのロジスティクスは技術的に進歩しているが、ほとんどのデプロイされたシステムは、意思決定エージェントではなく、リアクティブなモニターのままである。 このギャップを3つの機能を組み合わせた品質認識意思決定インテリジェンスフレームワークで解決する。 しきい値監視、物理のみ、物理余剰ノイズ、最適化に基づく決定、ルールベースのエキスパートシステムという5つのベースラインをベンチマークします。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cold chain logistics has advanced technologically, yet most deployed systems remain reactive monitors, not decision-making agents: thresholds trigger alerts, but nothing relates violations to cumulative product degradation or converts degradation signals into logistics decisions. We address this gap with a Quality-Aware Decision Intelligence (QADI) framework combining three capabilities: a structured quality state representation, $S_q = [L, Q, U, R]$ -- remaining shelf life, degradation rate, estimation uncertainty, and operational risk, all derived and computable from the framework equations; a hybrid quality modeling layer combining physics-based microbial kinetics with a data-driven correction term; and a reasoning layer built on Microsoft Phi-4~\cite{Phi4} with retrieval-augmented generation over a structured domain knowledge base. We benchmark against five baselines -- threshold monitoring, physics-only, physics-plus-noise, optimisation-based decisions, and a rule-based expert system -- across eight cold chain scenarios, using pasteurised milk as the primary case, with ground truth shelf-life drawn from published dairy studies~\cite{Singh1994, Smigic2015} independent of our model. Comparisons use Wilcoxon signed-rank tests with Holm correction. Across milk and broccoli scenarios, the framework attains mean absolute shelf-life error of 7.2 hours (versus 30.9 hours, physics-only; $p<0.001$), spoilage rate of 14.5% (versus 16.6%, physics-only and rule-based; p=0.08), and oracle-optimal decisions in 99.5% of scenarios. Removing the LLM reasoning component drops optimality to 45.5% ($p<0.001$). Expert-rated explanation quality reaches 83% ($κ= 0.71$). Ablations show hybrid modeling and LLM reasoning contribute distinct gains, while RAG retrieval mainly drives explanation quality. Code: https://bit.ly/4d6t44C.
• Abstract（参考訳）: コールドチェーンのロジスティクスは技術的に進歩しているが、ほとんどのデプロイシステムは反応モニターであり、意思決定エージェントではない。 このギャップには、構造化された品質状態表現、$S_q = [L, Q, U, R]$ -- 残りのシェルフ寿命、劣化率、推定不確実性、および運用上のリスクが、フレームワーク方程式から導出可能で計算可能であること、物理ベースの微生物力学とデータ駆動の補正項を組み合わせたハイブリッドな品質モデリング層、構造化されたドメイン知識ベース上の検索拡張生成を備えたMicrosoft Phi-4~\cite{Phi4}上に構築された推論層、の3つの機能を組み合わせたQADI(Quality-Aware Decision Intelligence)フレームワークを用いて対処する。 5つの基準線 – しきい値監視,物理のみ,物理+ノイズ,最適化に基づく決定,ルールベースのエキスパートシステム – に対するベンチマークを,8つのコールドチェーンシナリオに対して実施した。 ウィルコクソン符号ランク試験とホルム補正の比較。 ミルクとブロッコリーのシナリオ全体では、絶対棚寿命の誤差は7.2時間(逆30.9時間、物理のみ、$p<0.001$)、腐敗率14.5%(逆16.6%、物理のみ、規則ベースp=0.08)、オラクル最適決定は99.5%である。 LLM推論コンポーネントを除去すると、最適性が45.5%(p<0.001$)に低下する。 専門家による説明の質は83%(κ= 0.71$)に達する。 RAG検索は、主に説明品質を駆動するが、ハイブリッドモデリングとLLM推論は明確な利益をもたらす。 コード:https://bit.ly/4d6t44C。

関連論文リスト

• QART: A Quantum-Classical Hybrid Architecture for Long-Horizon Reasoning -- Exploring a Conditional Path toward Quantum Scaling [20.96528957972914]
  ロングホライゾン推論は、後の決定を損なう早期エラーに対して脆弱である。 本稿では、バックボーン言語モデルと量子符号化、CIMベースのQUBO最適化、量子デコーディングを組み合わせた量子古典ハイブリッドアーキテクチャQARTを提案する。
  論文  参考訳（メタデータ） (2026-09-15T09:21:45Z)
• SS-ESOAP: Self-Scaled Adaptive Preconditioning for Physics-Informed Learning [70.71795707610961]
  メソッドは、Kronecker幾何に適応したスカラーセマントエネルギー補正でSOAPスタイルのプレコンディショニングを強化する。 メソッドは8つのPDEベンチマークのうち6つで最下位の残差に達する。 4つの代表PDEの3列の$L2$と$H1$エラーは、低い残差と改善された解精度の間のリンクをサポートする。
  論文  参考訳（メタデータ） (2026-08-29T21:34:47Z)
• Scalable Lindblad Noise Learning via Stochastic Tensor-Network Simulation [48.887627688666974]
  大規模オープン量子システムにおける学習散逸率は、短期量子技術の大きな障害である。 本稿では,シミュレーション手法であるJump Method(TJM)を組み合わせたLindblad散逸率のスケーラブルなノイズ学習フレームワークを提案する。 我々は,Isingモデルにおける2つのノイズモデルに対するアプローチを実証し,各サイトについて,N_mathrmsite=16$まで独立散逸率を学習した。 スケーラブルな数値と厳密な理論的保証の組み合わせは、TJMベースのノイズ学習を大きな量子デバイスにおける散逸を特徴づける実用的な基礎として位置づけている。
  論文  参考訳（メタデータ） (2026-08-25T15:07:11Z)
• Agentic Stage-One Stellarator Optimization: Autonomous Multi-Objective Search for Finite-Beta Equilibria [0.0]
  強調ステージワン最適化の概念実証を行う。 エージェント外ループ制御は有限ベータ・多目的探索を維持でき、繰り返し最適化を改良された平衡のスケーラブルなソースに変えることができる。
  論文  参考訳（メタデータ） (2026-08-02T16:08:52Z)
• DreamQAS: Learning a Decision-Useful World Model for VQE-Efficient Quantum Architecture Search [9.679776057194056]
  Reinforcement-learning-based quantum architecture search (RL-QAS) は、回路を拡張した後、繰り返し変動量子固有解器 (VQE) を最適化する。 本稿では、正確な回路力学を保存し、VQE後の高価なフィードバックのみを学習するモデルベースのRLフレームワークであるDreamQASを紹介する。
  論文  参考訳（メタデータ） (2026-07-31T14:58:23Z)
• The Joint Effect of Quantization and Sampling Temperature on LLM Safety Alignment: A Factorial Analysis [0.0]
  LLMの配置は、通常、モデルを圧縮し、コスト、レイテンシ、繰り返しを減らすためにサンプリング温度を上昇させる。 これは実際的な不確実性を残している: FP16 で安全であり、フレディ復号法は定量化されサンプル化されても安全か? 本研究では,6家族,3人の精度,6人の温度から,9つの指導訓練モデルの因子的評価を行った。
  論文  参考訳（メタデータ） (2026-06-28T19:52:25Z)
• Towards Robust Training in NNGPT AutoML Pipeline: A Loss-Optimizer Pairing Selection Study [48.83701310501069]
  本稿では, 一つのレシピがヘテロジニアスなアーキテクチャプールに十分であるか, 最適ペアリングが構造的に多様なモデルによって異なるかを検討する。 我々は,CEL(Cross-Entropy),NLL(Negative Log-Likelihood),および最近導入された遺伝学的に進化したNGL損失を,LEMURヘテロジニアス・アーキテクチャー・プールの6つの画像分類データセット上に提示したベースモデル間で比較検討した。 我々の結果は、単一のペアリングが普遍的に最適でないことを確認した。AdamやAdamWとのクロスエントロピーは、最も堅牢な選択である。
  論文  参考訳（メタデータ） (2026-06-18T20:51:42Z)
• The Deterministic Horizon: When Extended Reasoning Fails and Tool Delegation Becomes Necessary [13.891522069967507]
  拡張連鎖推論は決定論的状態追跡タスクのパフォーマンスを低下させる。 ツール統合推論がニューラル・チェーン・オブ・シントを一貫して上回ることを示す。 本研究は, エージェントシステムにおいて, 純粋なニューラル推論がハイブリッドアプローチにいつ適用されるべきかについて, 基本的ガイダンスを提供する。
  論文  参考訳（メタデータ） (2026-05-29T21:35:23Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• The Value of Mechanistic Priors in Sequential Decision Making [41.418304743101174]
  ハイブリッド・メカニスティック・モデル、学習された残差を持つ物理的先行性は、良い決定に必要なデータを減らすことを約束するが、これをテストするための計算可能な基準は存在しない。 両体制とも, 逐次意思決定におけるメカニスティックな先駆的価値を特徴づける。
  論文  参考訳（メタデータ） (2026-05-11T05:43:53Z)
• ODAR: Principled Adaptive Routing for LLM Reasoning via Active Inference [60.958331943869126]
  ODAR-Expertは、原則化されたリソース割り当てによる精度と効率のトレードオフを最適化する適応的なルーティングフレームワークである。 我々は、MATHの98.2%の精度、HumanityのLast Examの54.8%を含む、強く一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-02-27T05:22:01Z)
• Towards a Science of Scaling Agent Systems [79.64446272302287]
  エージェント評価の定義を定式化し,エージェント量,コーディネーション構造,モデル,タスク特性の相互作用として,スケーリング法則を特徴付ける。 協調指標を用いて予測モデルを導出し,R2=0をクロスバリデーションし,未知のタスク領域の予測を可能にする。 ツールコーディネーショントレードオフ: 固定的な計算予算の下では, ツールヘビータスクはマルチエージェントのオーバーヘッドから不均衡に悩まされ, 2) 能力飽和: 調整が減少または負のリターンを, 単一エージェントのベースラインが45%を超えると達成できる。
  論文  参考訳（メタデータ） (2025-12-09T06:52:21Z)
• Eigen-1: Adaptive Multi-Agent Refinement with Monitor-Based RAG for Scientific Reasoning [53.45095336430027]
  暗黙的な検索と構造化された協調を組み合わせた統合フレームワークを開発する。 Humanity's Last Exam (HLE) Bio/Chem Goldでは,48.3%の精度を実現している。 SuperGPQAとTRQAの結果はドメイン間の堅牢性を確認した。
  論文  参考訳（メタデータ） (2025-09-25T14:05:55Z)

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。