論文の概要: Robust Prototypical Networks for Few-Shot Sensor Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2609.12287v1
- Date: Thu, 10 Sep 2026 23:36:05 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-15 07:38:31.570387
- Title: Robust Prototypical Networks for Few-Shot Sensor Fault Diagnosis
- Title（参考訳）: Few-Shot センサ故障診断のためのロバストプロトタイプネットワーク
- Abstract要約: 我々はemphMulti-Episode Prototypeal Networks (MEPN)を提案する。
MEPNは複数の不一致サポートエピソードのプロトタイプを集約し、その平均値を最終クラス代表として使用する。
実産業計測に注入された合成バイアス, ドリフト, スパイク, ノイズ障害を含む5方向断層分類を用いたDeFACTOセンサデータセット上でのMEPNの評価を行った。
- 参考スコア（独自算出の注目度）: 4.7664516965746335
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Industrial fault diagnosis often operates with only a handful of labeled fault examples, making few-shot learning attractive for sensor monitoring. Standard prototypical networks are simple and effective; however, their class prototypes may become unstable in the very-low-shot regime because each decision relies on a small support set. We propose \emph{Multi-Episode Prototypical Networks} (MEPN), which aggregate prototypes from multiple disjoint support episodes and use their mean as the final class representative, reducing prototype variance without changing the encoder architecture. We evaluate MEPN on the DeFACTO sensor dataset using five-way fault classification with synthetic bias, drift, spike, and noise faults injected into real industrial measurements. Over 100 independent runs, MEPN reaches \textbf{\SensorOneShotGcpn\%} in the per-episode one-shot setting ($K\!=\!1$ shot, aggregated over $N_{\text{agg}}\!=\!10$ support episodes), substantially above single-episode baselines. Under an equal 10-sample support budget, MEPN and ProtoNet at $K\!=\!10$ are statistically indistinguishable, confirming prototype accumulation as the mechanism rather than superior fixed-budget learning.
- Abstract（参考訳）: 産業的故障診断は、少数のラベル付き障害例でのみ動作し、センサー監視に魅力的な数ショットの学習を行う。
標準プロトタイプネットワークは単純かつ効果的であるが、それぞれの決定は小さなサポートセットに依存するため、クラスプロトタイプは低ショット方式で不安定になる可能性がある。
本稿では,複数の不連続なサポートエピソードからプロトタイプを集約し,その平均値を最終クラス代表として使用し,エンコーダアーキテクチャを変更することなくプロトタイプの分散を低減させる,emph{Multi-Episode Prototypeal Networks} (MEPN)を提案する。
実産業計測に注入された合成バイアス, ドリフト, スパイク, ノイズ障害を含む5方向断層分類を用いたDeFACTOセンサデータセット上でのMEPNの評価を行った。
100以上の独立した実行で、MEPNは1回当たりのワンショット設定でtextbf{\SensorOneShotGcpn\%} に達する。
=\!
1$shot、$N_{\text{agg}}\!
=\!
10$サポートエピソード) のベースラインをはるかに上回っている。
MEPNとProtoNetは、同等の10サンプルのサポート予算の下では、$K\!
=\!
10$は統計的に区別不能であり、優れた固定予算学習ではなく、プロトタイプの蓄積をメカニズムとして確認する。
関連論文リスト
- Adversarially Robust Abductive Fusion of Pre-trained Transformer-based Perception Models [5.574264082008515]
従来のメタ認知的手法は、モデルのエラーを示す論理ルールを学習するが、手書きのドメイン知識に頼っている。
このメタ認知層はベクトル空間幾何学を利用してドメインの知識を使わずに学習可能であることを示す。
アプローチはニューロシンボリックであるため、これらのルールは単一の論理的枠組みを共有しており、利用可能なドメイン知識によって補完することができる。
論文 参考訳（メタデータ） (2026-08-04T19:46:57Z) - Level, Sharpness, and Corpus: Why Zero-Shot OOD Detector Rankings Do Not Transfer [36.02174685737611]
各検出器は、少なくとも1つのドメインで80%$ FPR95 を超え、所望の検出器は、分配データと基礎となる VLM の両方に依存する。
本稿では, ベース検出器, レベル, シャープネスの非補償融合により, 補完的証拠を保存する検出器非依存ラッパーであるComplementary Evidence Guard(CEG)を紹介する。
論文 参考訳（メタデータ） (2026-07-29T08:00:49Z) - Real-Time Source-Free Object Detection [40.10658212485104]
自律運転、監視、ロボットのための現実世界の検出器は、厳格なレイテンシとメモリ制約の下でドメインシフトを処理しなければならない。
我々は,NMSフリーなデュアルヘッド検出器であるYOLOv10上に構築することで,より高速かつコンパクトに,最先端の適応精度が得られることを示す。
論文 参考訳（メタデータ） (2026-06-30T15:38:56Z) - Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。
アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
論文 参考訳（メタデータ） (2026-06-20T14:10:59Z) - Categorical Robustness Assessment for Machine Learning based Network Intrusion Detection Systems [6.42094170804706]
敵の攻撃は ネットワークトラフィックデータに 慎重に妨害を加え 誤分類に繋がる
本稿では,攻撃者がシステムを操作しようとすると,どのようなアーキテクチャが実際に維持されるのかを問う。
敵の環境で侵入検知を行う実践者に対しては、CNNベースのアーキテクチャを推奨する。
論文 参考訳（メタデータ） (2026-06-10T13:41:44Z) - How Low Can You Go? Surfacing Prototypical In-Distribution Samples for Unsupervised Anomaly Detection [48.30283806131551]
非常に少ないトレーニングサンプルを持つUADが、トレーニングデータセット全体のトレーニングパフォーマンスにすでに一致している - そして、場合によっては、それを超えることもある、ということが、私たちは示しています。
そこで本研究では,UAD性能をさらに向上させるために,原型標本を確実に同定するための教師なし手法を提案する。
論文 参考訳（メタデータ） (2023-12-06T15:30:47Z) - WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。
最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。
本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
論文 参考訳（メタデータ） (2022-11-13T09:56:24Z) - Towards Understanding Why Mask-Reconstruction Pretraining Helps in
Downstream Tasks [129.1080795985234]
Mask-Reconstruction Pretraining (MRP)はランダムにマスク入力パッチにアプローチし、オートエンコーダを介してこれらのマスクパッチの画素や意味的特徴を再構築する。
下流タスクでは、事前訓練されたエンコーダの微調整が、スクラッチから訓練された従来の教師付き学習(SL)を著しく上回っている。
論文 参考訳（メタデータ） (2022-06-08T11:49:26Z) - DAAIN: Detection of Anomalous and Adversarial Input using Normalizing
Flows [52.31831255787147]
我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。
本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。
当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
論文 参考訳（メタデータ） (2021-05-30T22:07:13Z) - Object Detection Made Simpler by Eliminating Heuristic NMS [70.93004137521946]
単純なNMSのないエンドツーエンドのオブジェクト検出フレームワークを示す。
検出精度は元の1段検出器と比べて同等か、さらに向上した。
論文 参考訳（メタデータ） (2021-01-28T02:38:29Z) - LFD-ProtoNet: Prototypical Network Based on Local Fisher Discriminant
Analysis for Few-shot Learning [98.64231310584614]
Prototypeal Network (ProtoNet) は、各クラスのプロトタイプ表現までの距離を用いてメートル法学習と分類を行う、数発の学習フレームワークである。
提案手法の有用性は,理論上は予測されるリスクバウンドを提供し,MiniImageNetとタイレッドImageNetに優れた分類精度を実証的に示すことによって示される。
論文 参考訳（メタデータ） (2020-06-15T11:56:30Z) - FCOS: A simple and strong anchor-free object detector [111.87691210818194]
物体検出を画素ごとの予測方式で解くために, 完全畳み込み型一段物検出器 (FCOS) を提案する。
RetinaNet、SSD、YOLOv3、Faster R-CNNといった最先端のオブジェクト検出器のほとんどは、事前に定義されたアンカーボックスに依存している。
対照的に、提案した検出器FCOSはアンカーボックスフリーであり、提案はフリーである。
論文 参考訳（メタデータ） (2020-06-14T01:03:39Z)
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。