論文の概要: Discovery of fully efficient fault indicators along a data-based diagnosis process

• arxiv url: http://arxiv.org/abs/2609.28087v1
• Date: Wed, 23 Sep 2026 13:24:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:18.044265
• Title: Discovery of fully efficient fault indicators along a data-based diagnosis process
• Title（参考訳）: データに基づく診断プロセスによる完全効率的な故障指標の発見
• Abstract要約: 本稿では,DT4Xの強化版であるDT4X+を紹介する。 結果として得られる関係はARR特性と完全に一致し、より情報的な分割、堅牢性の向上、動的システムデータセットのパフォーマンス向上につながります。
• 参考スコア（独自算出の注目度）: 0.4269415289712572
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The integration of model-based and data-driven paradigms provides a powerful framework for fault diagnosis by combining the interpretability of analytical redundancy relations, i.e., input-output relations that are used as diagnosis indicators in model-based diagnosis, with the adaptability of learning techniques. DT4X is a recent diagnosis algorithm that uses symbolic regression to generate multivariate relations leveraging some properties of analytical redundancy relations and uses them as split functions in a decision tree. However, its symbolic regression procedure optimizes only the separation between two selected classes at each node, often fragmenting the remaining classes and degrading both interpretability and diagnosis performance. This paper introduces DT4X+, an enhanced version of DT4X that modifies the construction of training sets and the symbolic-regression loss so that expressions separate the target classes while preserving the coherence of non-target classes. The resulting relations become fully consistent with ARR properties and lead to more informative splits, improved robustness, and better performance on dynamic-system datasets. Experiments conducted on several benchmark systems demonstrate the benefits of this enhanced formulation.
• Abstract（参考訳）: モデルベースおよびデータ駆動型パラダイムの統合は、解析的冗長関係の解釈可能性、すなわちモデルベース診断における診断指標として使用される入出力関係と学習手法の適応性を組み合わせた、フォールト診断のための強力なフレームワークを提供する。 DT4Xは記号回帰を用いた最近の診断アルゴリズムであり、解析的冗長性のいくつかの特性を利用して多変量関係を生成し、決定木内の分割関数として利用する。 しかし、そのシンボリック回帰手順は、各ノードで選択された2つのクラス間の分離のみを最適化し、しばしば残りのクラスを断片化し、解釈可能性と診断性能の両方を劣化させる。 本稿では,DT4X の強化版である DT4X+ について紹介する。DT4X はトレーニングセットの構成とシンボル-回帰損失を改良し,非ターゲットクラスの一貫性を維持しつつ,対象クラスを分離する。 結果として得られる関係はARR特性と完全に一致し、より情報的な分割、堅牢性の向上、動的システムデータセットのパフォーマンス向上につながります。 いくつかのベンチマークシステムで実施された実験は、この強化された定式化の利点を実証している。

関連論文リスト

• Effective Covariance Dynamics in Solvable High-Dimensional GANs [2.639628765667673]
  線形生成器がデータから低次元部分空間を学習するGANトレーニングの可解な高次元モデルについて検討する。 顕微鏡トレーニングプロセスが高次元の極限において、この効果的な共分散によって支配される決定論的常微分方程式に収束することを証明する。
  論文  参考訳（メタデータ） (2026-06-25T16:33:54Z)
• Graph Structured Combinatorial Semi-Bandit with Nonlinear Reward Associations through Separable Signals [9.51084845180104]
  我々は,グラフに基づく因果報酬モデリングのためのルーチンを備えた,新しい汎用的かつ適応的な戦略を開発する。 時間的および時間的データボリュームの線形化に関する理論的性能保証を確立する。 我々は、ベンチマークされた合成データと実世界の輸送データの両方を用いて数値実験を行う。
  論文  参考訳（メタデータ） (2026-06-12T17:11:56Z)
• Context-driven Missing-Modality Learning for Robust Medical Diagnosis with Image-Tabular Data [38.54068135443487]
  本稿では,コンテキスト駆動型ミス・モダリティ学習フレームワークを提案する。 連続的にモダリティ合成とセマンティックアライメントを行い、堅牢な診断を実現する。 最先端のSOTA(State-of-the-art)法では、それぞれ1.26%、0.97%、1.32%のAVG AUCの改善を実現している。
  論文  参考訳（メタデータ） (2026-05-25T15:44:26Z)
• DAGAF: A directed acyclic generative adversarial framework for joint structure learning and tabular data synthesis [2.0459575802588237]
  本稿では,因果構造学習と表型データ合成を両立できる新しい2段階フレームワークを提案する。 我々のアプローチでは、データ変数間の因果関係を表現するために、DAG(Directed Acyclic Graphs)を用いている。 ANM, LiNGAM, Post-Nonlinear Model (PNL) などの機能的因果モデルを適用することにより, DAGの内容が暗黙的に学習され, 観測データの生成過程をシミュレートする。
  論文  参考訳（メタデータ） (2026-04-05T22:13:00Z)
• Rel-MOSS: Towards Imbalanced Relational Deep Learning on Relational Databases [66.24230877709756]
  リレーショナルディープラーニング(RDL)は、リレーショナルデータベース(RDB)を異種エンティティグラフとして構成するために提案される。 既存のRDL手法は、RDBにおける関係データの不均衡問題を無視し、少数民族を過小評価するリスクを負う。 本研究では,RDBエンティティ分類におけるクラス不均衡問題を初めて検討し,関係中心型マイノリティー合成オーバーサンプリングGNNを設計する。
  論文  参考訳（メタデータ） (2026-03-09T03:18:26Z)
• Binary Code Similarity Detection via Graph Contrastive Learning on Intermediate Representations [52.34030226129628]
  バイナリコード類似度検出(BCSD)は、脆弱性検出、マルウェア分析、コードの再利用識別など、多くの分野で重要な役割を果たしている。 本稿では,LLVM-IRと高レベルのセマンティック抽象化を利用して,コンパイル差を緩和するIRBinDiffを提案する。 IRBinDiffは1対1の比較と1対多の検索シナリオにおいて,他の主要なBCSD手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-10-24T09:09:20Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Interactive Dimensionality Reduction for Comparative Analysis [28.52130400665133]
  我々は,新しいDR手法であるULCAをインタラクティブなビジュアルインターフェースと統合する,インタラクティブなDRフレームワークを導入する。 ULCAは差別分析とコントラスト学習という2つのDRスキームを統合し、様々な比較分析タスクをサポートする。 我々は,ULCA結果を対話的に洗練する最適化アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-29T15:05:36Z)
• Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
  本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。 実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-30T05:48:48Z)
• Dynamic Federated Learning [57.14673504239551]
  フェデレートラーニング(Federated Learning)は、マルチエージェント環境における集中的なコーディネーション戦略の包括的用語として登場した。 我々は、各イテレーションにおいて、利用可能なエージェントのランダムなサブセットがそのデータに基づいてローカル更新を実行する、フェデレートされた学習モデルを考える。 集約最適化問題に対する真の最小化器上の非定常ランダムウォークモデルの下で、アーキテクチャの性能は、各エージェントにおけるデータ変動率、各エージェントにおけるモデル変動率、アルゴリズムの学習率に逆比例する追跡項の3つの要因によって決定されることを示す。
  論文  参考訳（メタデータ） (2020-02-20T15:00:54Z)

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。