論文の概要: CORD: Learning Reusable Degradation Representations Across Heterogeneous Physical Systems
- arxiv url: http://arxiv.org/abs/2609.39784v1
- Date: Wed, 30 Sep 2026 14:05:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-01 18:57:27.871379
- Title: CORD: Learning Reusable Degradation Representations Across Heterogeneous Physical Systems
- Title（参考訳）: CORD: 不均一な物理系全体にわたる再利用可能な劣化表現の学習
- Abstract要約: CORDは、タイプ固有の観察インターフェースと共有劣化バックボーンを組み合わせる。
不均一な物理システム間の共同事前トレーニングは、デバイス、データセット、システムタイプ間で再利用可能な劣化表現を生成する。
- 参考スコア（独自算出の注目度）: 0.9281671380673306
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Can heterogeneous physical degradation systems benefit from joint pretraining and move beyond system-specific prognostics toward reusable cross-system representation learning? CORD combines type-specific observation interfaces with a shared degradation backbone. Its two self-supervised objectives learn at complementary scales: Intra-Observation Structure Modeling (ISM) captures structure within observations, while Inter-Observation Dynamics Modeling (IDM) captures latent degradation evolution across observation histories. We evaluate CORD under two transfer boundaries: Pretraining-Included System Types, where downstream datasets and held-out units are unseen but their system types are represented during source pretraining, and Pretraining-Excluded System Types, where the entire turbofan-engine type is absent from pretraining. Across bearings, batteries, and cutting tools, CORD (Multi-domain) consistently improves over CORD (Single-domain) under Frozen adaptation, provides further gains under Full FT in most settings, and remains competitive with representative external baselines. Source-pretrained initialization also improves low-label adaptation to the pretraining-excluded engine type. Frozen-representation analysis further shows improved cross-unit lifecycle consistency after multi-domain pretraining. Joint pretraining across heterogeneous physical systems thus produces degradation representations reusable across devices, datasets, and system types.
- Abstract（参考訳）: 不均質な物理劣化システムは、共同事前訓練の恩恵を受けることができ、システム固有の予後を超えて再利用可能なシステム間表現学習へ移行できるか?
CORDは、タイプ固有の観察インターフェースと共有劣化バックボーンを組み合わせる。
観測内構造モデリング(ISM)は観測中の構造を捉え、観測間ダイナミクスモデリング(IDM)は観測履歴をまたいだ潜時劣化の進化を捉えます。
我々はCORDを2つの転送境界下で評価する: 下流データセットと保持ユニットが見えないが、そのシステムタイプはソース事前訓練中に表現される事前学習システムタイプと、ターボファンエンジンタイプ全体が事前訓練を欠いている事前学習システムタイプである。
ベアリング、バッテリ、切断ツールの他、CORD(マルチドメイン)は、フロズン適応の下でCORD(シングルドメイン)よりも一貫して改善され、ほとんどの設定においてFull FTの下でさらに向上し、一般的な外部ベースラインと競合し続けている。
ソースプレトレーニングされた初期化は、プレトレーニングされたエンジンタイプへの低ラベル適応も改善する。
凍結表現解析は、マルチドメイン事前トレーニング後のクロスユニットライフサイクルの整合性をさらに向上させる。
不均一な物理システム間での協調事前トレーニングにより、デバイス、データセット、システムタイプ間で再利用可能な劣化表現が生成される。
関連論文リスト
- Topological Out-of-Domain Generalization in Dynamical Systems Reconstruction [9.842968830321876]
力学系(DS)の挙動を予測することは、科学MLにおいて、トレーニングで観察される力学系とパラメータ系を超えた、重要かつ本質的に未解決な問題である。
近年のDS再構成(DSR)における階層的・ハイパーネットワーク的アプローチは,多くのDSのトレーニングを同時に行うことができる。
本稿では,これらの欠点,最も重要な特徴分割に対する対策の組み合わせを提案し,さらに信頼性のある外挿範囲に有界な閉形式を導出する。
論文 参考訳（メタデータ） (2026-06-22T07:51:48Z) - MoASE++: Mixture of Activation Sparsity Experts with Domain-Adaptive On-policy Distillation for Continual Test Time Adaptation [65.068801413044]
連続的なテスト時間適応は、非定常な未ラベルのターゲットストリームにソース予測モデルを適用する。
ドメインに依存しない構造をドメイン固有のテクスチャから切り離す。
論文 参考訳（メタデータ） (2026-05-18T01:52:12Z) - In-context learning to predict critical transitions in dynamical systems [3.9458626988686007]
本稿では,システムの臨界遷移近さを推定するコンテキスト内学習フレームワークであるTipPFNを紹介する。
我々は、未確認のチップ状態における臨界遷移の堅牢な最先端早期検出を実証する。
論文 参考訳（メタデータ） (2026-05-12T15:56:03Z) - PnP-Corrector: A Universal Correction Framework for Coupled Spatiotemporal Forecasting [62.22445401483844]
既存の手法は複雑なエラーのボトルネックによって厳しく制約されている。
我々は-Cast-Corrector (Plug-and-Play Corrector)と呼ばれる普遍的なフレームワークを提案する。
本手法は,結合予測システムの長期安定性を著しく向上させる。
論文 参考訳（メタデータ） (2026-05-09T13:12:33Z) - Large Vision-Language Models Get Lost in Attention [51.851592109135716]
本稿では,情報理論と幾何に基づく統合フレームワークを提案し,残差更新の幾何的およびエントロピー的性質を定量化する。
注意は再設定に焦点を当てたサブスペース言語演算子として機能し、FFNはセマンティックイノベーションを駆動するサブスペース言語演算子として機能します。
論文 参考訳（メタデータ） (2026-05-07T04:45:52Z) - Towards foundation-style models for energy-frontier heterogeneous neutrino detectors via self-supervised pre-training [0.4151704012621244]
異種検出器データから再利用可能な表現を学習するための疎ViTフレームワークを提案する。
自己教師付き事前訓練は、マスク付き自己エンコーダ再構築とリレーショナルボクセルレベルの目的を組み合わせる。
プレトレーニングはニュートリノの風味とチャームクォークの識別を継続的に改善する。
論文 参考訳（メタデータ） (2026-04-08T12:52:00Z) - Adaptive Domain Models: Bayesian Evolution, Warm Rotation, and Principled Training for Geometric and Neuromorphic AI [0.0]
本稿では,3つの事前結果に基づいて,代替的なトレーニングアーキテクチャを開発する。
本稿では,一般目的モデルの潜在事前構造をADMトレーニングシステムを介して抽出する機構であるベイズ蒸留を導入する。
デプロイには、更新されたモデルがサービスを中断することなくアクティブな推論経路に遷移する運用パターンであるウォームローテーションを導入する。
論文 参考訳（メタデータ） (2026-03-18T12:36:19Z) - Gym-V: A Unified Vision Environment System for Agentic Vision Research [51.62136909074774]
Gym-Vは、手続き的に生成された10ドメインにわたる179の視覚環境の統一プラットフォームであり、制御が難しい。
我々は,RLアルゴリズムの選択よりも,観測足場がトレーニングの成功に決定的であることを見出した。
クロスドメイン転送実験は、多様なタスクのトレーニングが広範囲に一般化され、狭いトレーニングが負の転送を引き起こすことを示している。
論文 参考訳（メタデータ） (2026-03-16T15:37:07Z) - Out-of-distribution transfer of PDE foundation models to material dynamics under extreme loading [86.6550968435969]
ほとんどのPDEファンデーションモデルは、流体中心のベンチマークに基づいて事前訓練され、微調整されている。
衝撃, 進化する界面, 破壊が非平滑な場を生み出す2つの不連続支配的体制について, 分布外移動をベンチマークする。
我々は,PDE基礎モデルであるPOSEIDONとMORPHを2つのオープンソースとして評価し,事前学習した重みからの微調整と,トレーニングセットのサイズによるスクラッチからのトレーニングを比較し,分散シフト下でのサンプル効率の定量化を行った。
論文 参考訳（メタデータ） (2026-03-04T18:19:35Z) - Transformers for dynamical systems learn transfer operators in-context [4.211463778317431]
インコンテキスト学習は、物理システムにおける学習と適応の従来の理解に挑戦する。
1つの力学系を予測するために小さな2層単頭変圧器を訓練し、再学習せずに異なる力学系を予測する能力を評価する。
注意に基づくモデルがコンテキスト内で伝達演算予測戦略を適用していることが判明した。
論文 参考訳（メタデータ） (2026-02-21T01:03:15Z) - Understanding Degradation with Vision Language Model [56.09241449206817]
視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。
本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。
また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
論文 参考訳（メタデータ） (2026-02-04T13:51:15Z)
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。