論文の概要: SeaCausal-FL: Federated Fuzzy Causal Learning for Maritime IoT Fault Diagnosis and Counterfactual Reasoning

• arxiv url: http://arxiv.org/abs/2609.06257v1
• Date: Sat, 05 Sep 2026 20:56:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.222818
• Title: SeaCausal-FL: Federated Fuzzy Causal Learning for Maritime IoT Fault Diagnosis and Counterfactual Reasoning
• Title（参考訳）: SeaCausal-FL: 海上IoT故障診断と逆推論のためのファジィ因果学習
• Abstract要約: 本稿では,共通時間的診断経路と機構条件の因果推論を組み合わせたファジィ因果学習フレームワークSeaCausal-FLを提案する。 海洋エンジン断層データセットと実データ校正半合成因果ベンチマークの実験により、SeaCausal-FLは4つのクライアントパーティションで平均87.07%のF1スコアを達成した。
• 参考スコア（独自算出の注目度）: 12.736106981499477
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reliable marine-engine fault diagnosis in maritime IoT is challenged by distributed data ownership, heterogeneous fault distributions, and continuously changing operating conditions. This paper proposes SeaCausal-FL, a federated fuzzy causal learning framework that combines a shared temporal diagnostic path with mechanism-conditioned causal reasoning. An interval type-2 fuzzy layer represents uncertain and overlapping operating mechanisms, while each mechanism is associated with a physics-constrained structural causal model. Before aggregation, locally learned mechanisms are aligned using operating context, causal structure, and conditional intervention-response signatures. Model parameters are then aggregated according to sample, class, mechanism, and mechanism-class evidence instead of client sample size alone. The learned structural equations further support interval counterfactual reasoning through abduction, action, and prediction. Experiments on a marine-engine fault dataset and a real-data-calibrated semi-synthetic causal benchmark show that SeaCausal-FL achieves an average F1 score of 87.07% across four client partitions, with AUROC and AUPRC of 98.98% and 94.81%, respectively. It also maintains strong performance under unseen loads and fault-type omission during training. On the causal benchmark, SeaCausal-FL reaches an Edge-F1 of approximately 0.58 and an Edge-AUPRC of 0.68, reduces coefficient RMSE to about 0.14, and provides favorable counterfactual estimation and intervention decisions.
• Abstract（参考訳）: 海上IoTにおける信頼性の高い海洋エンジン故障診断は、分散データオーナシップ、異種断層分布、継続的に変化する運用条件によって困難である。 本稿では,共通時間的診断経路と機構条件の因果推論を組み合わせたファジィ因果学習フレームワークSeaCausal-FLを提案する。 間隔型2ファジィ層は不確実かつ重なり合う操作機構を示し、各機構は物理制約構造因果モデルと関連付けられている。 集約の前には、操作コンテキスト、因果構造、条件付き介入応答シグネチャを用いて局所的に学習されたメカニズムが整列される。 モデルパラメータは、クライアントのサンプルサイズだけでなく、サンプル、クラス、メカニズム、そしてメカニズムクラスのエビデンスに従って集約されます。 学習された構造方程式は、推論、行動、予測を通じて、間隔の反事実推論をさらに支援する。 海洋エンジン断層データセットと実データ校正半合成因果ベンチマークの実験により、SeaCausal-FLは4つのクライアントパーティションで平均87.07%、AUROCとAUPRCはそれぞれ98.98%、94.81%を達成している。 トレーニング中は、目に見えない負荷と障害タイプの省略の下での強いパフォーマンスも維持する。 因果ベンチマークでは、SeaCausal-FL は約 0.58 の Edge-F1 と約 0.68 の Edge-AUPRC に到達し、RMSE 係数を約 0.14 に減らし、適切な反事実推定と介入決定を提供する。

関連論文リスト

• CausalArena: Benchmarking Causal Discovery in the Foundation Model Era [47.81267771630766]
  CausalArenaは共通のプロトコルの下で因果発見のための統一されたベンチマークである。 あるベンチマークシステムにおける強いパフォーマンスは、他のベンチマークシステムに確実に移行しないことを示す。
  論文  参考訳（メタデータ） (2026-09-10T17:53:15Z)
• Toward Reliable Railway-Bogie Response Prediction Using Multifidelity TDNN and Physics-Informed Residual Learning [9.679297769625286]
  鉄道技術者は、徹底的にテストできない運用シナリオにまたがる車両の応答を予測するシミュレーションモデルを必要としている。 本稿では,多体シミュレーション履歴を低忠実度情報として扱い,ローラーリグ測定を高忠実度証拠として扱う多忠実鉄道ボギー応答補正法を提案する。
  論文  参考訳（メタデータ） (2026-09-10T07:56:53Z)
• Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study [1.8419890068150178]
  時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。 本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
  論文  参考訳（メタデータ） (2026-08-24T08:30:06Z)
• ChaosBench-Logic v2: Evaluating LLM Logical Reasoning over Dynamical Systems at Scale [0.0]
  我々は165の力学系に対する40,886の探索ベンチマークであるChaosBench-Logic v2を提案する。 我々は、フロンティアモデルでさえ、政権移行推論がほぼランダムに残っていることを発見した。 ファミリーごとの分解は、プロプライエタリモデルの利点がクロス指標と一貫性タスクに集中していることを示しています。
  論文  参考訳（メタデータ） (2026-05-23T00:34:17Z)
• UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction [42.532335022354545]
  バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
  論文  参考訳（メタデータ） (2026-05-18T10:28:15Z)
• CasualSynth: Generating Structurally Sound Synthetic Data [44.80087038178069]
  大言語モデル(LLM)は、現実的な合成データを生成するが、その出力がターゲットドメインを管理する因果的メカニズムを尊重することを保証しない。 本稿では,意味的実現から因果構造の生成を分離するフレームワークCausal Synthを紹介し,因果的妥当性と言語学的にリッチな合成データを生成する。
  論文  参考訳（メタデータ） (2026-05-17T16:21:01Z)
• Stabilizing Temporal Inference Dynamics for Online Surgical Phase Recognition [42.76777398447746]
  オンライン外科的位相認識(SPR)モデルはフレームの精度が高いが、その予測は時間的安定性に欠けることが多い。 この不安定性はランダムノイズではなく、2つのメカニズムから生じることを示す。 モデルに依存しないプラグイン・アンド・プレイコンポーネントを用いて時間的推論ダイナミクスを明示的に安定化する統合トレイン・推論・評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-11T16:56:15Z)
• An Intelligent Fault Diagnosis Method for General Aviation Aircraft Based on Multi-Fidelity Digital Twin and FMEA Knowledge Enhancement [10.84751870897525]
  本稿では,多要素ディジタルツインに基づく知的故障診断フレームワークを提案する。 JSBSim 6-of-freedom (6-DoF)フライトダイナミクスエンジンを用いてデジタルツインを構築する。 故障モードと影響解析(FMEA)に基づくインジェクションエンジンは、19種類のエンジン故障の物理的因果伝播をモデル化する。 1D-CNN分類器は、20の故障クラスのエンドツーエンド診断を行う。
  論文  参考訳（メタデータ） (2026-04-03T06:20:56Z)
• A Gradient Boosted Mixed-Model Machine Learning Framework for Vessel Speed in the U.S. Arctic [0.0]
  我々は2010-2019年における自動識別システム(AIS)データを解析し,地上における船体速度(SOG)について検討した。 我々は2段階の機械学習フレームワークを適用し、まず0以上のSOGの確率をモデル化し、次に正のSOG条件をモデル化した。 結果: 船舶群, 船舶群, 航行状態の変化が二次変動を導入したのに対し, 沿岸域と潜水深度との距離は, 船舶速度の確率と大きさの双方において支配的要因であった。
  論文  参考訳（メタデータ） (2026-01-31T14:53:28Z)
• Time-Varying Causal Treatment for Quantifying the Causal Effect of Short-Term Variations on Arctic Sea Ice Dynamics [0.16206783799607727]
  氷融解と淡水分布の因果関係の定量化が重要である。 本研究では,海氷厚とSSHの因果メカニズムを定量化するために,知識誘導変分オートエンコーダ(KGCM-VAE)を提案する。 KGCM-VAEが最先端のベンチマークよりPEHEより優れていることを示す。
  論文  参考訳（メタデータ） (2026-01-25T01:44:55Z)
• Entropy-Adaptive Fine-Tuning: Resolving Confident Conflicts to Mitigate Forgetting [44.23640219583819]
  強化ファインチューニング(Reinforced Fine-Tuning, SFT)はドメイン適応の標準パラダイムである。 本稿では,この問題を解決するためにエントロピー適応ファインチューニング(EAFT)を提案する。 EAFTは標準SFTの下流性能と一貫して一致し、汎用能力の劣化を著しく軽減する。
  論文  参考訳（メタデータ） (2026-01-05T14:28:17Z)
• Transparent Early ICU Mortality Prediction with Clinical Transformer and Per-Case Modality Attribution [42.85462513661566]
  ICU滞在後48時間から, 生理的時系列測定と非構造的臨床記録とを融合した, 軽量で透明なマルチモーダルアンサンブルを提案する。 ロジスティック回帰モデルは、バイタル用双方向LSTMとノート用微調整された臨床ModernBERT変換器の2つのモード固有モデルからの予測を組み合わせる。 MIMIC-IIIベンチマークでは、遅延融合アンサンブルは、よく校正された予測を維持しながら、最高の単一モデルに対する差別を改善する。
  論文  参考訳（メタデータ） (2025-11-19T20:11:49Z)
• Causal Disentanglement Hidden Markov Model for Fault Diagnosis [55.90917958154425]
  本研究では, 軸受破壊機構の因果性を学ぶために, 因果解離隠れマルコフモデル (CDHM) を提案する。 具体的には、時系列データをフル活用し、振動信号を断層関連要因と断層関連要因に段階的に分解する。 アプリケーションの範囲を広げるために、学習された非絡み合った表現を他の作業環境に転送するために、教師なしのドメイン適応を採用する。
  論文  参考訳（メタデータ） (2023-08-06T05:58:45Z)

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。