論文の概要: MoRF-AST: Calibrated Probabilistic Virtual Sensing for Structural Monitoring under Changing Operating Conditions

• arxiv url: http://arxiv.org/abs/2608.24531v1
• Date: Tue, 25 Aug 2026 13:16:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.999953
• Title: MoRF-AST: Calibrated Probabilistic Virtual Sensing for Structural Monitoring under Changing Operating Conditions
• Title（参考訳）: MoRF-AST:動作条件の変更による構造モニタリングのための校正確率仮想センシング
• Abstract要約: 本研究では,モーダル残留流マッチングとコンテキスト依存型アフィンスプレッドトランスポート (MoRF-AST) を併用した構造仮想センシング手法を提案する。 MoRFは2つの直接条件流に対して16.1%と17.9%に対して、後平均根平均二乗誤差(NRMSE)が7.20%に達する。
• 参考スコア（独自算出の注目度）: 10.208843473977094
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Probabilistic full-field reconstruction provides uncertainty-aware response evidence for structural reliability assessment, yet inference from sparse and noisy measurements remains underdetermined. Most existing methods overlook shifts between offline training and operational distributions. Under such shifts, posterior intervals may become miscalibrated, causing the reported uncertainty to lose its probabilistic meaning. This study proposes Modal Residual Flow Matching with Context-Conditioned Affine Spread Transport (MoRF-AST) for calibrated structural virtual sensing under changing operating conditions. MoRF constructs an analytic Gaussian reference posterior in normalized modal coordinates and trains a conditional flow only on posterior-whitened residuals. At deployment, AST estimates response scale from historical measurements at installed sensors and uses gated, mean-preserving Bures-Wasserstein transport to adjust posterior spread. On a bridge-deck benchmark, MoRF achieves a posterior-mean normalized root-mean-square error (NRMSE) of 7.20%, compared with 16.1% and 17.9% for two direct conditional flows. Across eight shifted traffic domains, AST reduces MoRF's cross-domain average coverage error from 0.0535 to 0.0236, a 55.9% reduction, while preserving posterior-mean accuracy. The same transport does not improve the tested alternatives in aggregate, showing that calibration gains require its direction to match the base posterior's dispersion bias. MoRF-AST provides a data-efficient framework for probabilistic full-field reconstruction whose uncertainty remains interpretable under scale-dominated operational distribution shifts. More broadly, this work highlights the need to calibrate uncertainty under changing operational distributions, thereby supporting trustworthy probabilistic modeling and reliability-informed decision-making in civil and infrastructure engineering.
• Abstract（参考訳）: 確率的フルフィールド再構成は、構造的信頼性評価のための不確実性を考慮した応答証拠を提供するが、スパースおよびノイズ測定からの推測は未決定のままである。 既存のほとんどのメソッドは、オフライントレーニングと運用ディストリビューションのシフトを見落としている。 このようなシフトの下で、後続の間隔は誤校正され、報告された不確実性は確率的意味を失う。 本研究では, 動作条件の変化する構造仮想センシングのためのMoRF-ASTを用いたモーダル残留流マッチングを提案する。 MoRFは正規化されたモーダル座標において解析的なガウス参照後部を構築し、後白の残基のみに条件流を訓練する。 ASTは、設置されたセンサーの履歴測定から応答スケールを推定し、後部拡散を調整するためにゲート付き平均保存型Bures-Wassersteinトランスポートを使用する。 ブリッジデッキのベンチマークでは、MoRFは2つの直接条件流に対して16.1%と17.9%に対して、後平均正規化根平均二乗誤差(NRMSE)が7.20%に達する。 8つのシフトしたトラフィック領域で、ASTはMORFのクロスドメイン平均カバレッジエラーを0.0535から0.0236に削減し、55.9%削減した。 同じ輸送は、試験された代替品を集約的に改善しないため、キャリブレーションゲインはその方向をベース後部の分散バイアスと一致させる必要があることを示している。 MoRF-ASTは、大規模運用分散シフトの下で不確実性が解釈可能である確率的全フィールド再構成のためのデータ効率のフレームワークを提供する。 より広範に、この研究は運用分布の変化による不確実性の校正の必要性を強調し、土木・インフラ工学における信頼性の高い確率的モデリングと信頼性に富んだ意思決定をサポートする。

関連論文リスト

• Direct Conditional Transition Sampling for Diffusion Inverse Problems [16.85590645425029]
  トレーニング不要拡散逆解法は、通常、局所的な測定ガイダンスと高価なクリーンスペース後部更新のどちらかを選択する。 同じ理想的リフレッシュターゲットに対する条件-フローの直接近似であるダイレクトトランジションサンプリング(DCTS)を提案する。 DCTSは競合する手法よりも最大16.8倍のスピードアップで競争力のある再構築品質を実現している。
  論文  参考訳（メタデータ） (2026-09-13T15:24:33Z)
• SPARC: Single-Pass Scaling for Motion Forecasting with Conformal Bayesian Last Layers [1.4452289368758382]
  シングルパス適応リスク(英: Single-Pass Adaptive Risk)は、人間の動き予測器に対する構造的、校正的、効率的な不確実性推定である。 決定論的バックボーンは将来の平均を予測し、共役ベイズ最後の層は時間領域の特徴レバレッジを解析的地平線スケールに変換する。 NLLと組み合わせたMPJPE+NLLの基準では、競争点の精度と効率的な校正管を維持している。
  論文  参考訳（メタデータ） (2026-08-21T07:20:22Z)
• RBE-Flow: Recurrent Bayesian Estimation on Feature Manifolds for Cross-Modal Registration [14.194086645453767]
  画素間画像の登録は、重度の非線形ラジオメトリックと不確実性のために困難である。 本稿では,高密度モーダルフロー推定を再構成する新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2026-06-29T15:58:25Z)
• Exactness Matters for Physical Rule Enforcement [4.230349220081444]
  より強い物理ルールの執行がいつ信頼できるか、いつそれが流通シフトの源となるかは、まだ不明である。 この問題は作用素の正確性(すなわち、補修写像が対象多様体上の恒等写像であるかどうか)を通して研究する。 制御ミスマッチ、スクリーニングされたクリーンアップ、アダプティブゲーティング、および外部バックボーンチェックは、最適な近似登録操作ポイントが生またはほぼ同一であることを示す。
  論文  参考訳（メタデータ） (2026-05-08T07:59:59Z)
• Tyche: One Step Flow for Efficient Probabilistic Weather Forecasting [48.263481135566316]
  我々は,効率的な確率的天気予報のための一段階条件付き流れモデルであるTycheを提案する。 ERA5の1.5ドル(約1万2000円)と6時間の解像度での実験では、たった1つのNFEを使って、最先端の多段階生成ベースラインの予測スキルとキャリブレーションを一致または超過していることが示されています。
  論文  参考訳（メタデータ） (2026-05-07T20:25:28Z)
• Distributional Spectral Diagnostics for Localizing Grokking Transitions [4.480801209867367]
  グラッキングでは、モデルはまずトレーニングデータに適合し、テスト精度は低いままであり、後に一般化し始める。 テスト精度が上昇する前に、この遷移が観察されたトレーニング軌跡から局所化できるかどうかを問うとともに、明確なしきい値/FPR/リードタイムトレードオフを持つ診断問題として、グラッキング遷移局所化を定式化する。
  論文  参考訳（メタデータ） (2026-05-07T03:08:58Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• RDIT: Residual-based Diffusion Implicit Models for Probabilistic Time Series Forecasting [4.140149411004857]
  RDITは、点推定と残差に基づく条件拡散と双方向のMambaネットワークを組み合わせたプラグアンドプレイフレームワークである。 RDITは, 強いベースラインに比べてCRPSの低下, 高速推論, カバレッジの向上を実現している。
  論文  参考訳（メタデータ） (2025-09-02T14:06:29Z)
• COME: Test-time adaption by Conservatively Minimizing Entropy [45.689829178140634]
  保守的に最小化されるエントロピー (COME) は従来のエントロピー (EM) の代替品である COMEはモデル予測よりもディリクレ事前分布を特徴付けることによって、不確実性を明示的にモデル化する。 我々はCOMEが一般的なベンチマークで最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-12T09:20:06Z)
• Which Invariance Should We Transfer? A Causal Minimax Learning Approach [18.71316951734806]
  本稿では、因果的観点からの包括的ミニマックス分析について述べる。 最小の最悪のリスクを持つサブセットを探索する効率的なアルゴリズムを提案する。 本手法の有効性と有効性は, 合成データとアルツハイマー病の診断で実証された。
  論文  参考訳（メタデータ） (2021-07-05T09:07:29Z)
• Comparing Probability Distributions with Conditional Transport [63.11403041984197]
  新しい発散として条件輸送(CT)を提案し、償却されたCT(ACT)コストと近似します。 ACTは条件付き輸送計画の計算を補正し、計算が容易な非バイアスのサンプル勾配を持つ。 さまざまなベンチマークデータセットのジェネレーティブモデリングでは、既存のジェネレーティブ敵対ネットワークのデフォルトの統計距離をACTに置き換えることで、一貫してパフォーマンスを向上させることが示されています。
  論文  参考訳（メタデータ） (2020-12-28T05:14:22Z)
• Learning Calibrated Uncertainties for Domain Shift: A Distributionally Robust Learning Approach [150.8920602230832]
  ドメインシフトの下で校正された不確実性を学習するためのフレームワークを提案する。 特に、密度比推定は、ターゲット(テスト)サンプルの近さをソース(トレーニング)分布に反映する。 提案手法は下流タスクに有利な校正不確実性を生成する。
  論文  参考訳（メタデータ） (2020-10-08T02:10:54Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。