論文の概要: FedCMAPSS: A Benchmark for Federated Learning in Remaining Useful Life Estimation
- arxiv url: http://arxiv.org/abs/2608.26433v1
- Date: Wed, 26 Aug 2026 22:18:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.195617
- Title: FedCMAPSS: A Benchmark for Federated Learning in Remaining Useful Life Estimation
- Title（参考訳）: FedCMAPSS: 有意義な生活推定を維持するためのフェデレーションラーニングのベンチマーク
- Abstract要約: FedCMAPSSは、NASA C-MAPSSデータセットに基づく連邦RUL推定のベンチマークである。
この研究は、フェデレートされた予測保守ソリューションの開発と比較のための標準基盤を提供することを目的としている。
- 参考スコア（独自算出の注目度）: 14.659921465860565
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Data-driven prognostics and health management has emerged as a key enabler for Industry 4.0, yet the development of robust remaining useful life (RUL) estimation models is often limited by the scarcity of run-to-failure data. While federated learning offers a promising paradigm to collaboratively train predictive models without sharing sensor data, research efforts have operated so far in the absence of a common evaluation framework. To address this gap, this paper introduces FedCMAPSS, a benchmark for federated RUL estimation based on the commonly-used NASA C-MAPSS dataset. We define a set of five standardized tasks designed to simulate real-world industrial challenges, ranging from ideal IID settings to extreme statistical heterogeneity, and conduct a systematic evaluation of state-of-the-art federated optimization algorithms across multiple neural architectures. By establishing reproducible baselines and making the source code and data splits publicly available, this work aims to provide a standard foundation for developing and comparing federated predictive maintenance solutions.
- Abstract（参考訳）: データ駆動型診断と健康管理は、産業4.0のキーイネーブラーとして登場したが、堅牢な持続的有用生命(RUL)推定モデルの開発は、しばしば実行時から障害時までのデータ不足によって制限される。
連合学習は、センサデータを共有せずに予測モデルを協調訓練するための有望なパラダイムを提供するが、これまでは共通の評価フレームワークが欠如している。
このギャップに対処するために、NASA C-MAPSSデータセットに基づいたフェデレーションRUL推定のベンチマークであるFedCMAPSSを紹介した。
我々は、理想的なID設定から極端な統計的不均一性まで、実世界の産業課題をシミュレートするために設計された5つの標準化されたタスクを定義し、複数のニューラルアーキテクチャにわたって最先端のフェデレーション最適化アルゴリズムを体系的に評価する。
再現可能なベースラインを確立し、ソースコードとデータを公開することにより、フェデレートされた予測保守ソリューションの開発と比較のための標準基盤を提供することを目指している。
関連論文リスト
- Data-dependent Exploration for Online Reinforcement Learning from Human Feedback [50.34161049551627]
人的フィードバックからのオンライン強化学習(RLHF)は、トレーニング中に新たな嗜好フィードバックを継続的に収集することにより、大規模言語モデル(LLM)を整合させるための有望なパラダイムとして登場した。
既存の調査戦略は、しばしば政治上の期待を通じてボーナスを導き出すが、これは訓練中に利用できる限られた歴史的嗜好データから確実に見積もることが難しい。
高不確実性領域に対する余分な不確実性ボーナスを構築するために、履歴データを活用するシンプルでスケーラブルなデータ依存型選好最適化法(DEPO)を提案する。
論文 参考訳（メタデータ） (2026-05-06T03:56:45Z) - A Comparative Benchmark of Federated Learning Strategies for Mortality Prediction on Heterogeneous and Imbalanced Clinical Data [0.0]
フェデレートラーニング(FL)は、プライバシ保護ソリューションを提供するが、その非独立性とIdentically Distributed(非IID)と不均衡な条件下でのパフォーマンスには調査が必要である。
本研究では,FedAvg,FedProx,FedAdagrad,FedAdam,FedClusterの5つのフェデレーション学習戦略の比較ベンチマークを行った。
この結果から,FedProxのような正規化に基づくFLアルゴリズムは,不均一かつ不均衡な臨床予測タスクに対して,より堅牢で効果的なソリューションを提供することがわかった。
論文 参考訳（メタデータ） (2025-09-03T11:32:57Z) - Financial Data Analysis with Robust Federated Logistic Regression [7.68275287892947]
本研究では,データを複数のクライアントやロケーションに分散するフェデレートされた環境での財務データの解析に焦点をあてる。
我々は,これらの目標のバランスを保とうとする,ロジスティックなロジスティック回帰に基づく堅牢なフレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-28T20:42:24Z) - Efficient Data Valuation Approximation in Federated Learning: A Sampling-based Approach [26.75493602427444]
クロスサイロデータプロバイダは、データ値が十分に評価されない限り、高品質なデータセットを共有することをためらうことが多い。
シェープ値(SV)はその望ましい性質のため、FLにおけるデータ評価の標準指標として提唱されている。
本稿では,高インパクトデータセットの組み合わせを戦略的に選択する実用的な近似アルゴリズムIPSSを提案する。
論文 参考訳（メタデータ） (2025-04-23T12:36:20Z) - Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。
本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文 参考訳（メタデータ） (2025-02-17T18:04:39Z) - Hybrid-Regularized Magnitude Pruning for Robust Federated Learning under Covariate Shift [2.298932494750101]
クライアント側トレーニング分布の不整合がフェデレート学習モデルの性能を著しく低下させることを示す。
本稿では,ニューラルネットワークの疎結合性,冗長性,堅牢性を改善するために,フラニングとクライアントトレーニングの正規化を組み合わせた新しいFLフレームワークを提案する。
論文 参考訳（メタデータ） (2024-12-19T16:22:37Z) - QBI: Quantile-Based Bias Initialization for Efficient Private Data Reconstruction in Federated Learning [0.5497663232622965]
フェデレーション学習は、ユーザのプライバシを損なうことなく、分散データ上で機械学習モデルのトレーニングを可能にする。
近年の研究では、中央のエンティティが共有モデル更新からプライベートデータを完全に再構築できることが示されている。
論文 参考訳（メタデータ） (2024-06-26T20:19:32Z) - Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。
提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
論文 参考訳（メタデータ） (2023-07-12T16:28:21Z) - Validation Diagnostics for SBI algorithms based on Normalizing Flows [55.41644538483948]
本研究は,NFに基づく多次元条件(後)密度推定器の検証診断を容易にすることを提案する。
また、局所的な一貫性の結果に基づいた理論的保証も提供する。
この作業は、より良い特定モデルの設計を支援したり、新しいSBIアルゴリズムの開発を促進するのに役立つだろう。
論文 参考訳（メタデータ） (2022-11-17T15:48:06Z) - DataPerf: Benchmarks for Data-Centric AI Development [81.03754002516862]
DataPerfは、MLデータセットとデータ中心アルゴリズムを評価するための、コミュニティ主導のベンチマークスイートである。
私たちは、この反復的な開発をサポートするために、複数の課題を抱えたオープンなオンラインプラットフォームを提供しています。
ベンチマーク、オンライン評価プラットフォーム、ベースライン実装はオープンソースである。
論文 参考訳（メタデータ） (2022-07-20T17:47:54Z) - Uncertainty-aware Remaining Useful Life predictor [57.74855412811814]
有効寿命 (Remaining Useful Life, RUL) とは、特定の産業資産の運用期間を推定する問題である。
本研究では,Deep Gaussian Processes (DGPs) を,前述の制限に対する解決策と捉える。
アルゴリズムの性能はNASAの航空機エンジン用N-CMAPSSデータセットで評価される。
論文 参考訳（メタデータ） (2021-04-08T08:50:44Z)
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。