論文の概要: When Labels Are Scarce: An Oscillatory State Space Model for Vibration Diagnosis

• arxiv url: http://arxiv.org/abs/2609.27411v1
• Date: Wed, 23 Sep 2026 06:24:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.906604
• Title: When Labels Are Scarce: An Oscillatory State Space Model for Vibration Diagnosis
• Title（参考訳）: 振動診断のための振動状態空間モデル
• Abstract要約: 振動の2つの相補的なスペクトルビューを組み合わせたコンパクトな状態空間モデルであるDualResを紹介する。 時間に沿ったビューは選択的な振動記憶によって処理され、時間的パターンの保持期間を学習する。 我々は、6つの軸受データセットとギアボックスベンチマークの教師あり学習を、追加のギアボックスパイロットで評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine fault diagnosis from vibration requires learning from scarce labelled fault recordings while meeting the computational constraints of edge devices for local inference. We introduce DualRes, a compact oscillatory state-space model that combines two complementary spectral views of vibration, capturing rapid changes and fine frequency structure. Time-aligned views are processed by selective oscillatory memory, which learns how long to retain temporal patterns. The encoder contains 39,528 parameters. We evaluate supervised learning across six bearing datasets and a gearbox benchmark, with an additional gearbox pilot. Recording-level splits and explicit accounting of labelled duration distinguish data efficiency from repeated exposure to correlated samples. On the main gearbox benchmark, DualRes achieves state-of-the-art performance among the nine evaluated methods at six of seven label budgets. With about six labelled seconds per class, it improves macro-F1 by 16.1 percentage points over the next strongest comparator. On the same benchmark, DualRes achieves a 1.44-fold recording-level speedup and a 24.8-fold reduction in checkpoint storage relative to a selective state-space baseline under matched hardware and runtime conditions. Bearing results reveal task-dependent trade-offs. These findings support oscillatory memory as a compact approach to vibration diagnosis under limited labelled exposure.
• Abstract（参考訳）: 振動からの機械故障診断には,局所的推論のためのエッジデバイスの計算制約を満たす間,ラベル付き記録の不足から学習する必要がある。 振動の2つの相補的なスペクトルビューと高速な変化と微細な周波数構造を組み合わせた,コンパクトな振動状態空間モデルであるDualResを紹介する。 時間に沿ったビューは選択的な振動記憶によって処理され、時間的パターンの保持期間を学習する。 エンコーダには39,528のパラメータが含まれている。 我々は、6つの軸受データセットとギアボックスベンチマークの教師あり学習を、追加のギアボックスパイロットで評価した。 ラベル付き期間のレコードレベル分割と明示的な説明は、相関サンプルに対する繰り返し露光とデータ効率を区別する。 主要なギアボックスベンチマークでは、DualResは7つのラベル予算のうち6つの評価手法の中で最先端のパフォーマンスを達成する。 クラス毎のラベル付き秒数は約6秒で、次の最強コンパレータよりもマクロF1を16.1ポイント改善する。 同じベンチマークでは、DualResは1.44倍の記録レベルのスピードアップと24.8倍のチェックポイントストレージを実現している。 ベアリングの結果はタスク依存のトレードオフを明らかにします。 これらの知見は, 限られたラベリング露光下での振動診断へのコンパクトなアプローチとして, 発振記憶を裏付けるものである。

関連論文リスト

• Differentiable Interval Bottlenecks for Interpretable Anomaly Detection in Numerical Data [0.5213778368155993]
  DIFFINTは、遅延ボトルネックがソフトな軸方向のインターバルメンバシップのセットとして構成されるオートエンコーダである。 統計的にタイトされた7つの方法のリードクラスターの中で唯一の解釈可能な検出器である。
  論文  参考訳（メタデータ） (2026-09-03T14:05:27Z)
• WaveZip: Wavelet-Driven Space-Time Decoupling for Video Token Condensation [69.37452950816122]
  WaveZipは、効率的なビデオ推論のための共同信号周波数領域フレームワークである。 長いビデオ理解ベンチマークの実験では、WaveZipは完全なパフォーマンスの99.6%を維持している。
  論文  参考訳（メタデータ） (2026-07-25T16:05:22Z)
• Memory-assisted squeezed light velocimetry under realistic loss and incoherent noise [0.29494468099506904]
  本研究では,コヒーレントプローブと圧縮真空で供給される2メモリのマッハ-ツェンダー干渉計に基づく速度センサを提案する。 我々は,速度感度,目標量子ゲインに必要な伝送しきい値,最適な記憶時間を導出する。
  論文  参考訳（メタデータ） (2026-05-26T21:54:18Z)
• MicroBi-ConvLSTM: An Ultra-Lightweight Efficient Model for Human Activity Recognition on Resource Constrained Devices [0.0]
  リソース制約のあるウェアラブル上でのヒューマンアクティビティ認識(HAR)は、厳格なメモリと計算予算との精度のバランスをとるモデルを必要とする。 提案するMicroBi-ConvLSTMは, 平均11.4Kのパラメータを達成できる超軽量畳み込み並列アーキテクチャである。
  論文  参考訳（メタデータ） (2026-02-06T09:26:29Z)
• PAS: A Training-Free Stabilizer for Temporal Encoding in Video LLMs [57.790910044227935]
  ビデオLLMは時間的不整合に悩まされ、フレームタイミングの小さなシフトは注意をそらすことができ、関連するフレームを抑えることができる。 本稿では, 位相アグリゲード平滑化(PAS)について述べる。これは, 頭部に小さな反対位相オフセットを適用して, 出力を集約する学習自由機構である。 解析の結果,RoPE回転ロジットは,時間核でスケールしたコンテントドット積として近似でき,このカーネルを滑らかにすることで,小さな時間シフトに対する注意のリプシッツ安定性が得られ,マルチフェーズ平均化は,Nyquist-valid サンプリング下での頭当たりスペクトルを保ちながら高周波リップルを減衰させることがわかった。
  論文  参考訳（メタデータ） (2025-11-14T05:56:47Z)
• ATTS: Asynchronous Test-Time Scaling via Conformal Prediction [112.54016379556073]
  大規模な言語モデル(LLM)は、テスト時のスケーリングの恩恵を受けるが、しばしば高い推論遅延によって妨げられる。 統計的に保証された適応スケーリングフレームワークであるATTS(Asynchronous Test-Time Scaling)を紹介する。 ATTSは、テストタイムのスケーリングにおいて最大56.7倍のスピードアップと4.14倍のスループット向上を実現している。
  論文  参考訳（メタデータ） (2025-09-18T16:55:09Z)
• KV-Latent: Dimensional-level KV Cache Reduction with Frequency-aware Rotary Positional Embedding [72.12756830560217]
  Transformer Decodersをベースとした大規模言語モデル(LLM)が、会話生成AIの選択肢として好まれている。 デコーダアーキテクチャの全体的な優位性にもかかわらず、推論中にキーバリューキャッシュが徐々に増加し、主要な効率ボトルネックとなっている。 キーバリューベクトル次元を潜在空間にダウンサンプリングすることで、KVキャッシュのフットプリントを大幅に削減し、推論速度を向上させることができる。
  論文  参考訳（メタデータ） (2025-07-15T12:52:12Z)
• Raising the ClaSS of Streaming Time Series Segmentation [3.572107803162503]
  本稿では,ストリーミング時系列セグメンテーションのための新しい,効率的かつ高精度なアルゴリズムであるClaSSを紹介する。 ClaSSは8つの最先端の競合よりはるかに正確である。 また、Apache Flinkストリーミングエンジンでは、平均スループットが毎秒1Kのデータポイントを持つウィンドウオペレータとしてClaSSを提供しています。
  論文  参考訳（メタデータ） (2023-10-31T13:07:41Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)

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。