論文の概要: Horizon-Aware Early Event Prediction for Tokamak Disruption Alarms

• arxiv url: http://arxiv.org/abs/2609.24443v1
• Date: Mon, 21 Sep 2026 11:39:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.269974
• Title: Horizon-Aware Early Event Prediction for Tokamak Disruption Alarms
• Title（参考訳）: トカマク破壊警報器の初期事象予測法
• Abstract要約: 既存のフルディストリビューションサバイバル手法は、完全な残効時間-破壊分布をモデル化する。 このミスマッチは、早期事象予測(EEP)の目標を生存に基づく破壊予測に導入する動機となっている。 本稿では,Deep Survival Machines (DSM) をフルディストリビューションベースラインとし,トカマク破壊予測に2つの確立されたEEP手法を適用することを提案する。
• 参考スコア（独自算出の注目度）: 11.415882855550345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable disruption prediction is essential for the safe operation of future tokamaks. Existing full-distribution survival methods model the complete residual time-to-disruption distribution, whereas operational decisions primarily depend on disruption risk within a finite prediction horizon. This mismatch motivates introducing Early Event Prediction (EEP) objectives into survival-based disruption prediction. We take Deep Survival Machines (DSM) as the full-distribution baseline and propose applying two established EEP methods to tokamak disruption prediction: Temporal Label Smoothing (TLS), which directly predicts disruption probability within a finite horizon, and survTLS, which additionally models the event-time distribution within that horizon. Using a common causal encoder, we compare these methods on DIII-D, Alcator C-Mod, and EAST. We distinguish threshold-free deadline ranking from validation-selected fixed-policy alarm performance and evaluate prediction horizons and encoder architectures. TLS achieves the best mean alarm performance on DIII-D and EAST, whereas all methods perform poorly on Alcator C-Mod. survTLS does not consistently outperform DSM, suggesting that directly learning horizon-level event probability is more effective than modeling detailed within-horizon event-time distributions in the present setting. Finally, the selected prediction horizons and encoder-ablation results vary across devices, reflecting differences in disruption characteristics.
• Abstract（参考訳）: 将来のトカマクの安全運用には信頼性の高い破壊予測が不可欠である。 既存のフルディストリビューションサバイバル手法は、残余時間から破壊までの完全な分布をモデル化するが、運用上の決定は、主に有限予測地平線内の破壊リスクに依存する。 このミスマッチは、早期事象予測(EEP)の目標を生存に基づく破壊予測に導入する動機となっている。 我々は、Deep Survival Machines (DSM) をフルディストリビューションベースラインとして、有限地平線内の破壊確率を直接予測するTemporal Label Smoothing (TLS) と、その地平線内の事象時間分布をモデル化するsurvTLSという、2つの確立されたEEP手法をトカマク破壊予測に適用することを提案する。 一般的な因果エンコーダを用いて,DIII-D,Alcator C-Mod,EASTの各手法を比較した。 我々は、しきい値のないデッドラインランキングと、バリデーション選択された固定政治アラーム性能を区別し、予測地平線とエンコーダアーキテクチャを評価する。 TLSはDIII-DとEASTで最高の平均アラーム性能を達成するが、全てのメソッドはAlcator C-Modでは性能が良くない。 survTLSは、DSMを一貫して上回り、現在の状況における詳細な水平事象時間分布をモデル化するよりも、水平事象確率を直接学習することが効果的であることを示唆している。 最後に、選択した予測水平線とエンコーダ・アブレーションの結果はデバイスによって異なり、破壊特性の違いを反映している。

関連論文リスト

• TimeAPN: Adaptive Amplitude-Phase Non-Stationarity Normalization for Time Series Forecasting [67.91113180885601]
  TimeAPNは時間領域と周波数領域の両方から非定常因子を明示的にモデル化し、予測する。 TimeAPNは、複数の予測水平線にわたる長期的な予測精度を一貫して改善する。 これは最先端の可逆正規化法より優れている。
  論文  参考訳（メタデータ） (2026-03-18T07:21:24Z)
• EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
  EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。 キャリブレーションされた予測とテールアウェアのリスク推定を提供する。 産業監視、天気予報、衛星診断などの高度な分野に適用できる。
  論文  参考訳（メタデータ） (2026-01-26T23:15:20Z)
• Forecasting Fails: Unveiling Evasion Attacks in Weather Prediction Models [60.728124907335]
  本研究では,気象適応型対向摂動最適化(WAAPO)を紹介した。 WAAPOは、チャネルの間隔、空間的局所化、滑らかさの制約を取り入れ、摂動が物理的に現実的で知覚不能であることを保証することでこれを達成している。 我々の実験は、AI駆動予測モデルにおける重要な脆弱性を強調しており、初期状態への小さな摂動が大きな逸脱をもたらす可能性がある。
  論文  参考訳（メタデータ） (2025-12-09T17:20:56Z)
• SynCast: Synergizing Contradictions in Precipitation Nowcasting via Diffusion Sequential Preference Optimization [62.958457694151384]
  本研究では,大規模な言語モデルにおける人的フィードバックからの強化学習の成功を動機として,降水量の最適化を初めて導入する。 第一段階では、フレームワークはFARを減らすことに焦点を当て、誤報を効果的に抑えるためにモデルを訓練する。
  論文  参考訳（メタデータ） (2025-10-22T16:11:22Z)
• Preliminary Investigation into Uncertainty-Aware Attack Stage Classification [81.28215542218724]
  この研究は、不確実性の下での攻撃段階推論の問題に対処する。 Evidential Deep Learning (EDL) に基づく分類手法を提案し、ディリクレ分布のパラメータを可能な段階に出力することで予測の不確実性をモデル化する。 シミュレーション環境における予備実験により,提案モデルが精度良く攻撃の段階を推定できることが実証された。
  論文  参考訳（メタデータ） (2025-08-01T06:58:00Z)
• Elucidated Rolling Diffusion Models for Probabilistic Weather Forecasting [52.6508222408558]
  Eucidated Rolling Diffusion Models (ERDM)を紹介する。 ERDMはEucidated Diffusion Models (EDM) の原理的, 性能的設計とローリング予測構造を統一する最初のフレームワークである 2D Navier-StokesシミュレーションとERA5グローバル気象予報の1.5円解像度では、ERDMはキー拡散ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2025-06-24T21:44:31Z)
• Improving Prediction Certainty Estimation for Reliable Early Exiting via Null Space Projection [16.838728310658105]
  本稿では,Certainty-Aware Probability (CAP)スコアに基づく新しい早期退避手法を提案する。 本研究では,各タスクの平均高速化率は2.19倍であり,性能劣化は無視できることを示す。
  論文  参考訳（メタデータ） (2025-06-08T05:08:34Z)
• An Uncertainty-Aware ED-LSTM for Probabilistic Suffix Prediction [0.0]
  ビジネスプロセスの簡潔な予測は、プロセスが完了するまでイベントの残りのシーケンスを予測する。 確率的接尾辞予測(probabilistic suffix prediction)は,接尾辞の確率分布を近似する新しいアプローチである。 提案手法は,Uncertainty-Aware-Decoder LSTM (U-ED-LSTM) とモンテカルロサフィックスサンプリングアルゴリズムに基づく。
  論文  参考訳（メタデータ） (2025-05-27T15:33:05Z)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)

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。