論文の概要: Reliable Virtual Sensing: A Multi-Domain Benchmark for Robustness Under Sensor Failures

• arxiv url: http://arxiv.org/abs/2609.18396v1
• Date: Wed, 16 Sep 2026 09:52:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.74353
• Title: Reliable Virtual Sensing: A Multi-Domain Benchmark for Robustness Under Sensor Failures
• Title（参考訳）: 信頼性の高い仮想センシング:センサ故障時のロバストネスのマルチドメインベンチマーク
• Abstract要約: MuViS-Cは、学習ベースの仮想センシングにおける一般的なセンサー障害に対する堅牢性の最初のマルチドメインベンチマークである。 微妙なドリフトから破滅的な信号ドロップアウトまでの10のセンサー障害モードを、複数の重度でカバーしている。 汚職、相対的な劣化、最悪のケースの脆弱性の下の平均エラーをキャプチャする。
• 参考スコア（独自算出の注目度）: 33.93467293361757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Virtual sensing, the estimation of hard-to-measure quantities from available sensor measurements, is a critical enabler for control and monitoring in cyber-physical systems. However, when sensors fail, learning-based predictors can produce physically implausible estimates that propagate to system-level failures. We argue that real-world deployment demands robustness and introduce MuViS-C, the first multi-domain benchmark of robustness against common sensor failures in learning-based virtual sensing. Building on an existing nominal-performance benchmark and established corruption taxonomies, it covers ten sensor failure modes, from subtle drifts to catastrophic signal dropouts, at multiple severities. These are paired with complementary robustness measures capturing average error under corruption, relative degradation, and worst-case fragility. Across nine datasets from six domains, we benchmark six architectures spanning gradient-boosted trees and the major inductive biases for sequence modeling: convolution, recurrence, attention, and MLP-mixing. On the attention-based architecture, we further probe three robustification strategies. We find that (i) every model degrades substantially under corruption, becoming worse than a naïve predictor on at least one corruption setting, (ii) gradient-boosted tree ensembles achieve strong robustness, and (iii) dedicated robustification closes the gap between the attention-based architecture and the most robust models, though each strategy hurts nominal performance. The benchmark's multi-domain design proves essential, as model rankings shift across datasets, and no single domain captures the full robustness picture. MuViS-C is open-source and extensible to new datasets, failure modes, measures, and models.
• Abstract（参考訳）: 仮想センシングは、利用可能なセンサ測定から測定の難しい量を推定するものであり、サイバー物理システムにおける制御と監視のための重要なイネーブルである。 しかし、センサが故障した場合、学習ベースの予測器は、システムレベルの障害に伝播する物理的に予測不可能な見積もりを生成することができる。 実世界の展開にはロバスト性が必要であり、学習ベースの仮想センシングにおける一般的なセンサ障害に対するロバスト性の最初のマルチドメインベンチマークであるMuViS-Cを導入する。 既存の名目性能ベンチマークと汚職分類に基づいて、微妙なドリフトから破滅的な信号ドロップアウトまでの10のセンサー障害モードを、複数の重大度でカバーしている。 これらは、汚職、相対劣化、最悪のケースの脆弱さの下で平均誤差を計測する相補的堅牢性尺度と組み合わせられる。 6つのドメインの9つのデータセットで、勾配木にまたがる6つのアーキテクチャと、畳み込み、再帰、注意、MLP混合といったシーケンスモデリングの主要な帰納バイアスをベンチマークする。 注意に基づくアーキテクチャでは、さらに3つのロバスト化戦略を探求する。 私たちはそれを見つける。 (i)全てのモデルは、汚職の下で著しく劣化し、少なくとも1つの汚職状況において、ナイーブ予測器よりも悪化する。 (二)勾配浮動木のアンサンブルは強靭性を実現し、 注意に基づくアーキテクチャと最も堅牢なモデルとのギャップを埋めるが、それぞれの戦略は名目上のパフォーマンスを損なう。 ベンチマークのマルチドメイン設計は、モデルランキングがデータセット間でシフトし、単一のドメインがフルロバストなイメージをキャプチャしないため、必須であることが証明されている。 MuViS-Cはオープンソースで、新しいデータセット、障害モード、測定値、モデルに拡張可能である。

関連論文リスト

• Benchmarking Sensor-Fault Robustness in Forecasting [34.25988781693566]
  我々は,予測アーキテクチャとロバスト性改善手法を評価するために,共有CPS地上センサフォアストレステストプロトコルであるSensorFault-Benchを紹介する。 最悪のシナリオ劣化、クリーン平均二乗誤差(MSE)、最悪のシナリオ故障時間MSEを報告し、絶対誤差から相対ロバスト性を分離する。 SensorFault-Benchは、オープンソースコード、ドキュメント化されたデータアクセス、再生および拡張ガイドを提供する。
  論文  参考訳（メタデータ） (2026-05-11T16:41:14Z)
• Towards Trustworthy Wi-Fi Sensing: Systematic Evaluation of Deep Learning Model Robustness to Adversarial Attacks [4.5835414225547195]
  我々は、多様な脅威モデルと様々な攻撃リアリズムの下で、CSI深層学習モデルの堅牢性を評価する。 私たちの実験では、より小さなモデルは効率的で、クリーンなデータでも等しく機能するが、明らかにロバストさが低いことが示されています。 物理的に実現可能な信号空間の摂動は、実際の無線チャネルで実現可能なように設計されており、攻撃の成功を著しく減少させる。
  論文  参考訳（メタデータ） (2025-11-25T16:24:29Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• Benchmarking the Spatial Robustness of DNNs via Natural and Adversarial Localized Corruptions [49.546479320670464]
  本稿では,セグメンテーションモデルの空間的ロバスト性を評価するための特別な指標を紹介する。 本稿では,モデルロバスト性をより深く理解する手法として,地域対応型マルチアタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック・アタック分析を提案する。 その結果、モデルがこれらの2種類の脅威に異なる反応を示すことが明らかとなった。
  論文  参考訳（メタデータ） (2025-04-02T11:37:39Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)

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。