論文の概要: Calibrating Prediction Timeliness Through Multi-Objective Hyperparameter Optimization for Remaining Useful Life Prediction

• arxiv url: http://arxiv.org/abs/2610.01530v1
• Date: Thu, 01 Oct 2026 12:06:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-03 01:19:24.101731
• Title: Calibrating Prediction Timeliness Through Multi-Objective Hyperparameter Optimization for Remaining Useful Life Prediction
• Title（参考訳）: 生活予測のための多目的ハイパーパラメータ最適化による予測タイムラインの校正
• Abstract要約: 本研究では,最適化目標自体を設計変数として扱う。 75種類のモデル・データセット・ストラテジーの組み合わせがNASA C-MAPSSターボファンとBackBlazeハードディスクドライブベンチマークで評価されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In predictive maintenance, early and late RUL prediction errors carry asymmetric consequences, yet hyperparameter optimization typically targets a single accuracy metric that treats both directions equally. This study treats the optimization objective itself as a design variable. Five architectures (MLP, LSTM, XGBoost, TCN, and Transformer) are evaluated under three regimes: single-objective maximization of $R^2$, single-objective minimization of the NASA scoring function, and a multi-objective formulation that jointly optimizes both criteria. The multi-objective search employs NSGA-II with Entropy-CRITIC weighting for Pareto selection. Seventy-five model-dataset-strategy combinations are assessed on the NASA C-MAPSS turbofan and BackBlaze hard-disk drive benchmarks. On C-MAPSS, all strategies achieve comparable accuracy ($R^2 \approx 0.89$), yet multi-objective optimization reduces directional imbalance by approximately 33%, improving calibration of early versus late predictions. Model rankings prove configuration-dependent, with simpler architectures frequently outperforming deeper temporal models. On BackBlaze, the objectives shift from complementary to conflicting, producing divergent Entropy-CRITIC weights and a substantial generalization gap (best $R^2 \approx 0.34$). These results demonstrate that the optimization objective materially shapes prognostic behavior and that multi-objective search provides a practical mechanism for calibrating prediction timeliness in RUL modeling.
• Abstract（参考訳）: 予測保守においては、早期および後期のRUL予測誤差は非対称な結果をもたらすが、ハイパーパラメータ最適化は通常、両方の方向を等しく扱う単一の精度測定を目標とする。 本研究では,最適化目標自体を設計変数として扱う。 5つのアーキテクチャ (MLP, LSTM, XGBoost, TCN, Transformer) は, 単目的最大値$R^2$, NASAスコアリング関数の単目的最小値, 両基準を協調的に最適化する多目的定式化の3つの方式で評価される。 多目的探索は、パレート選択のためにエントロピー・クリティック重み付けを備えたNSGA-IIを用いる。 NASA C-MAPSSターボファンとBackBlazeハードディスクドライブベンチマークで、75のモデル-データセット-ストラテジーの組み合わせを評価した。 C-MAPSSでは、全ての戦略が同等の精度(R^2 \approx 0.89$)を達成するが、多目的最適化は方向の不均衡を約33%減少させ、早期と後期の予測の校正を改善する。 モデルランキングは、構成に依存していることを証明しており、より単純なアーキテクチャは、しばしばより深い時間的モデルよりも優れている。 BackBlazeでは、目的が相補的なものから相反するものへとシフトし、発散したエントロピー・クリティック重みと相当な一般化ギャップ(例えば$R^2 \approx 0.34$)が生じる。 これらの結果から,RULモデルにおいて,目的が確率的振舞いを物質的に形作ること,多目的探索が予測タイムラインの校正に有効なメカニズムを提供することが示された。

関連論文リスト

• MAEO: Multiobjective Animorphic Ensemble Optimization for Scalable Large-scale Engineering Applications [0.1259953341639576]
  本研究は,多目的Animorphic Ensemble Optimization (MAEO) フレームワークを提案する。 島をベースとしたアーキテクチャの中で、最先端の進化的アルゴリズムを統一する。 結果から,MAEOは,先行する多目的最適化アルゴリズムのいくつかの性能や適合性を向上し,バランスの取れた収束・多様性を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-26T15:37:01Z)
• Barrier-enforced multi-objective optimization for direct point and sharp interval forecasting [1.0966260566122237]
  本稿では,単一ニューラルネットワークモデルを用いた多段階確率予測フレームワークを提案する。 我々のアプローチは、ターゲットカバレッジ確率(PICP)を厳密に満たしたモデル構造設計により、非交差予測間隔(PI)を保証する。 その結果, 提案した損失は, PI幅が最も狭い対象範囲を達成し, 現行文献よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-04-20T16:43:12Z)
• Diff3R: Feed-forward 3D Gaussian Splatting with Uncertainty-aware Differentiable Optimization [76.38917994186733]
  Diff3Rはフィードフォワード予測とテストタイム最適化をブリッジする新しいフレームワークである。 フィードフォワード3DGSアーキテクチャにシームレスに統合でき、ポーズギヴン法とポーズフリー法の両方に対応できることを示す。
  論文  参考訳（メタデータ） (2026-04-01T15:40:20Z)
• Divergence Minimization Preference Optimization for Diffusion Model Alignment [66.31417479052774]
  Divergence Minimization Preference Optimization (DMPO) は、逆KL分散を最小化して拡散モデルを整列する原理的手法である。 DMPOは、異なるベースモデルとテストセットで既存のテクニックを一貫して上回り、適合させることができる。
  論文  参考訳（メタデータ） (2025-07-10T07:57:30Z)
• Bayesian Optimization of a Lightweight and Accurate Neural Network for Aerodynamic Performance Prediction [0.0]
  本研究では,空力性能予測のための効率的かつ正確な予測モデルを構築するための新しい手法を提案する。 設計変数間の相互作用を明確に記述するために、BOの定式化では階層カーネルと分類カーネルが使用される。 ドラッグ係数予測タスクでは,最適化モデルの平均絶対パーセンテージ誤差(MAPE)が0.1433%から0.0163%に低下する。 本モデルでは, ベンチマーク航空機の自己雑音予測問題に対して, 0.82%のMAPEを達成し, 既存モデルよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-03-25T09:14:36Z)
• Decoding-Time Language Model Alignment with Multiple Objectives [116.42095026960598]
  既存の手法は主に、1つの報酬関数に対してLMを最適化することに集中し、それらの適応性は様々な目的に制限される。 本稿では,予測の線形結合から次のトークンを出力する復号時間アルゴリズムである$textbfmulti-objective decoding (MOD)$を提案する。 提案手法は, 自然条件下であっても, 既存のアプローチが準最適であることを示すとともに, 提案手法の最適性を保証する。
  論文  参考訳（メタデータ） (2024-06-27T02:46:30Z)
• Fine-Tuning Adaptive Stochastic Optimizers: Determining the Optimal Hyperparameter $ε$ via Gradient Magnitude Histogram Analysis [0.7366405857677226]
  我々は、損失の大きさの経験的確率密度関数に基づく新しい枠組みを導入し、これを「緩やかな等級ヒストグラム」と呼ぶ。 そこで本稿では, 最適安全のための精密かつ高精度な探索空間を自動推定するために, 勾配等級ヒストグラムを用いた新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-11-20T04:34:19Z)
• Fairer and More Accurate Tabular Models Through NAS [14.147928131445852]
  本稿では,多目的ニューラルアーキテクチャサーチ (NAS) とハイパーパラメータ最適化 (HPO) を,表データの非常に困難な領域への最初の応用として提案する。 我々はNASで精度のみに最適化されたモデルが、本質的に公正な懸念に対処できないことをしばしば示している。 公平性、正確性、あるいは両方において、最先端のバイアス緩和手法を一貫して支配するアーキテクチャを作成します。
  論文  参考訳（メタデータ） (2023-10-18T17:56:24Z)

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。