論文の概要: Operational Range Bounding in Spectroscopy: A Safety Cage Framework for Machine Learning Models
- arxiv url: http://arxiv.org/abs/2609.13514v1
- Date: Fri, 11 Sep 2026 20:32:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:05.371796
- Title: Operational Range Bounding in Spectroscopy: A Safety Cage Framework for Machine Learning Models
- Title（参考訳）: 分光法における操作範囲境界:機械学習モデルのための安全ケージフレームワーク
- Abstract要約: 本研究では,並列監視層として機能するモジュール型安全ケージアーキテクチャを評価し,予測の有効性を評価する。
単一のインジケータがすべての障害モードをキャプチャし、インジケータの融合の必要性を示す。
形式化されたカバレッジリスクフレームワークを用いて、リスクレベルの精度を最大化する構成を特定するために、インジケータの組み合わせの体系的分析を行う。
- 参考スコア（独自算出の注目度）: 0.6908439820101059
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Ensuring the reliability of black-box machine learning models in safety-critical space missions remains a significant challenge, particularly when ground-truth is unavailable for validation. Although machine learning models offer a powerful means to augment standard pipelines by extracting transmission spectra from complex exoplanetary light curves, their susceptibility to unmodelled instrument anomalies, stellar activity, and domain shifts introduces unquantified risks. This study evaluates a modular safety cage architecture that operates as a parallel monitoring layer to assess the validity of a prediction without modifying the underlying estimator. By monitoring different runtime indicators, including uncertainty quantification, out-of-domain detection, and influence functions, the framework constrains the model's operational domain to a verified region. A controlled evaluation is conducted under both in-domain and cross-domain conditions, using datasets from the 2019 and 2021 editions of the Ariel Data Challenges. The results reveal that model failure is multifaceted and that no single indicator captures all failure modes, demonstrating the need for indicator fusion. The application of safety-driven rejection strategies shows that a modest 20% reduction in data coverage results in error reductions between 45% and 65% across different domains and evaluation metrics. Using a formalised coverage-risk framework, a systematic analysis of indicator combinations is performed to identify configurations that maximise risk-ranking accuracy and optimise the trade-off between data coverage and scientific performance. Safety cages provide a transparent mechanism for detecting unreliable predictions and represent a critical step towards the safe deployment of data-driven models in scientific applications, such as astrophysics, where ground truth is seldom available.
- Abstract（参考訳）: 安全クリティカルな宇宙ミッションにおけるブラックボックス機械学習モデルの信頼性を保証することは、特に地上の真実が検証に利用できない場合、重要な課題である。
機械学習モデルは、複雑な外惑星の光曲線から透過スペクトルを抽出することで、標準パイプラインを増強する強力な手段を提供するが、その非モデル化機器異常、恒星活動、ドメインシフトへの感受性は、不適切なリスクをもたらす。
本研究では,並列監視層として機能するモジュール型安全ケージアーキテクチャを評価し,基礎となる推定器を変更することなく予測の有効性を評価する。
不確実性定量化、ドメイン外検出、影響関数など、さまざまな実行時インジケータを監視することで、フレームワークはモデルのオペレーションドメインを検証済みの領域に制限する。
コントロールされた評価は、2019年と2021年のAriel Data Challengesのデータセットを使用して、ドメイン内とクロスドメインの両方の条件下で実施される。
その結果、モデル障害は多面的であり、単一のインジケータがすべての障害モードをキャプチャせず、インジケータの融合の必要性が示されることがわかった。
安全駆動型拒否戦略の適用により、データカバレッジの20%削減は、異なるドメイン間でのエラーの45%から65%の削減と評価指標をもたらすことが示されている。
形式化されたカバレッジリスクフレームワークを使用して、リスクレベルの精度を最大化し、データカバレッジと科学的パフォーマンスの間のトレードオフを最適化する構成を特定するために、インジケータの組み合わせを体系的に分析する。
安全ケージは信頼性の低い予測を検知する透過的なメカニズムを提供し、天体物理学のような科学応用におけるデータ駆動モデルの安全な展開に向けた重要なステップを示す。
関連論文リスト
- Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。
画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
論文 参考訳（メタデータ） (2026-07-29T05:16:59Z) - A Systematic Failure Analysis of Vision Foundation Models for Open Set Iris Presentation Attack Detection [6.472008340680056]
本研究は、近視画像を用いたオープンセット虹彩PADのための汎用視覚基盤モデルの系統的故障解析を行う。
その結果、基礎モデルは、類似したセンシング特性を持つデータセット間で転送可能であるが、未知の攻撃機器に対して確実に一般化できないことが示唆された。
これらの結果から,強いクローズドセットやクロスデータセットのパフォーマンスは,堅牢なオープンセットセキュリティの証拠として扱うべきではないことが示唆された。
論文 参考訳（メタデータ） (2026-05-18T18:41:26Z) - Discovery of Hidden Miscalibration Regimes [52.452902154360565]
モデルは何らかの入力を体系的に過信し、他人を過信することがある。
対応する誤校正分野を定義し,それを推定するための診断フレームワークを提案する。
提案手法は,入力空間のキャリブレーションを意識した表現を学習し,学習幾何学におけるカーネルの平滑化による符号付き局所的誤校正を推定する。
論文 参考訳（メタデータ） (2026-05-13T13:07:50Z) - Foundational World Models Accurately Detect Bimanual Manipulator Failures [21.93685012734004]
我々は、事前学習された視覚基盤モデルの圧縮潜在空間内で、確率的、歴史的、世界モデルを訓練する。
このモデルは、整合予測フレームワーク内の非整合性スコアとして機能する予測と共に不確実性推定を出力する。
また,本手法の学習手法として,トレーニング可能なパラメータの約20分の1が必須であることを示す。
論文 参考訳（メタデータ） (2026-03-07T02:11:29Z) - Unsupervised Anomaly Detection in Multi-Agent Trajectory Prediction via Transformer-Based Models [45.08545174556591]
マルチエージェントトランスを用いた教師なし異常検出フレームワークを提案する。
検出安定性と物理的アライメントの両方を評価するための二重評価手法が提案されている。
本フレームワークでは,時間対衝突および統計ベースラインに欠落した388個の特異な異常を同定する。
論文 参考訳（メタデータ） (2026-01-28T08:33:10Z) - 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) - Generative Modeling and Decision Fusion for Unknown Event Detection and Classification Using Synchrophasor Data [9.871276314615447]
本稿では, 生成モデル, スライドウインドウ時間処理, 決定融合を統合し, 堅牢なイベント検出と分類を実現する新しいフレームワークを提案する。
実験結果は、最先端の精度、機械学習、ディープラーニング、エンベロープベースのベースラインを上回ることを示す。
論文 参考訳（メタデータ） (2025-09-26T18:04:03Z) - Robust Distribution Alignment for Industrial Anomaly Detection under Distribution Shift [51.24522135151649]
異常検出は産業アプリケーションの品質管理において重要な役割を担っている。
既存の方法は、一般化可能なモデルをトレーニングすることで、ドメインシフトに対処しようとする。
提案手法は,最先端の異常検出法や領域適応法と比較して,優れた結果を示す。
論文 参考訳（メタデータ） (2025-03-19T05:25:52Z) - Unsupervised Model Diagnosis [49.36194740479798]
本稿では,ユーザガイドを使わずに,意味論的対実的説明を生成するために,Unsupervised Model Diagnosis (UMO)を提案する。
提案手法は意味論における変化を特定し可視化し,その変化を広範囲なテキストソースの属性と照合する。
論文 参考訳（メタデータ） (2024-10-08T17:59:03Z) - Federated Learning with Anomaly Detection via Gradient and Reconstruction Analysis [2.28438857884398]
自動エンコーダ駆動のデータ再構成と勾配解析を相乗化して、前例のない精度で有毒データを検出・緩和する新しいフレームワークを提案する。
本手法は, 最小偽陽性率を維持しつつ, 異常検出精度を15%向上させる。
私たちの仕事は、分散学習のセキュリティにおける将来の進歩の道を開くものです。
論文 参考訳（メタデータ） (2024-03-15T03:54:45Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z)
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。