論文の概要: Do RUL explanations hold up? Faithfulness and stability of attributions on C-MAPSS
- arxiv url: http://arxiv.org/abs/2610.04278v1
- Date: Sat, 03 Oct 2026 04:10:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-12 11:59:28.217476
- Title: Do RUL explanations hold up? Faithfulness and stability of attributions on C-MAPSS
- Title（参考訳）: RULの説明は止まるか?-C-MAPSSにおける属性の忠実性と安定性
- Abstract要約: 機械的なように見えるヒートマップは、エンジニアが実行可能な説明と同じではありません。
1D CNN、LSTM、小さなTransformerエンコーダの3つの標準アーキテクチャをトレーニングする。
3つのマップは入力ノイズの5%でほとんど変化しないが、IG/Occclusionは2つのLSTMシードに対して中程度にしか一致しない。
- 参考スコア（独自算出の注目度）: 1.343575296230776
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep remaining-useful-life (RUL) models on NASA C-MAPSS are now routine, and so are heatmaps that colour sensors and timesteps. A heatmap that looks mechanical is not the same as an explanation an engineer can act on. We train three standard architectures - a 1D CNN, an LSTM, and a small Transformer encoder - on the official FD001 and FD003 splits with the piecewise RUL cap of 125 cycles and the official PHM08 asymmetric score. We then attach three attribution maps (Integrated Gradients, occlusion, last-layer attention) and evaluate them with the checks the XAI-for-PdM literature still under-reports: deletion/insertion faithfulness, Spearman stability under sensor-scale noise, agreement across training seeds, and cosine consistency inside RUL bins. Prediction error is a prerequisite, not the claim. The headline is which explanation method moves the RUL output when its top cells are removed, and which map survives a 5% input perturbation. Integrated Gradients and occlusion are similarly faithful on the LSTM; Transformer attention is cheap and temporally smooth but weakly faithful. All three maps are almost unchanged under 5% input noise, yet IG/occlusion agree only moderately across two LSTM seeds - stability to sensor jitter is not the same as stability to retraining. A secondary tabular check on the AI4I 2020 failure dataset shows the same deletion pattern for tree importances. We recommend occlusion or IG for any C-MAPSS-style report that will be read by a maintenance engineer, and we treat raw attention weights as a visualisation only.
- Abstract（参考訳）: NASA C-MAPSSの深部使用生命体モデル(RUL)は現在、センサーやタイムステップを色付けするヒートマップも常用している。
機械的なように見えるヒートマップは、エンジニアが実行可能な説明と同じではありません。
1D CNN,LSTM,小さなTransformerエンコーダの3つの標準アーキテクチャを公式なFD001とFD003でトレーニングし、125サイクルのRULキャップと公式なPHM08非対称スコアで分割する。
次に,3つの属性マップ(Integrated Gradients, occlusion, last-layer attention)を添付し,XAI-for-PdM文献をまだ報告されていないチェックで評価する。
予測エラーは前提条件であり、クレームではない。
ヘッドラインは、トップセルが除去されたときにRUL出力を移動させる説明方法であり、どのマップが5%の入力摂動に耐えるかである。
統合グラディエントとオクルージョンも同様にLSTMに忠実であり、トランスフォーマーの注意は安価で、時間的に滑らかだが弱く忠実である。
3つのマップは入力ノイズの5%でほとんど変化しないが、IG/Occclusionは2つのLSTMシードに対して適度に一致している(センサージッタに対する安定性は再トレーニングの安定性と同じではない)。
AI4I 2020の障害データセットの二次的なチェックは、ツリーの重要度に同じ削除パターンを示している。
我々は,保守技術者が読み取るC-MAPSS形式のレポートに対して,閉塞あるいはIGを推奨し,生の注意重みを可視化のみとして扱う。
関連論文リスト
- Does the VGGT Family Need All Its Layers? [55.81487806596663]
VGGT,3ドル,VGGT-$:3,018プルーニング構成における層冗長性について検討した。
取り外し可能な層が2つの冗長領域に集結しているのに対して、層間をまたがる削除は、常に破壊的である。
CKAは、間隔分解のためのより安価な表現ベースのプロキシを提供し、プルーニング品質とキャリブレーションコストのトレードオフを提供する。
論文 参考訳（メタデータ） (2026-09-29T06:52:07Z) - Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。
検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。
ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
論文 参考訳（メタデータ） (2026-09-07T15:03:36Z) - On the Design of Qwen3.8-Next Architecture: Evaluation, Efficiency, and Training Stability [57.03393882933515]
Qwen3.8-Flash-Nextは125Bパラメータ、トークンあたり6Bアクティベートされ、加速器から保持されるn-gram埋め込みテーブルの51Bパラメータを持つスパースミックス・オブ・エキスパートモデルである。
トレーニング前の14のベンチマークでは、このモデルは前モデルの397B-A17Bを8点、残りを少なくとも2.6ポイント、アクティベートされたパラメータが1/3、トレーニングトークンが1/3、トレーニング用FLOPが1/9であった。
論文 参考訳（メタデータ） (2026-08-31T06:35:07Z) - Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。
共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。
このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
論文 参考訳（メタデータ） (2026-08-08T13:22:14Z) - Routing Ceilings Are Domain-Independent: Structural Prior Injection in Code Security Vulnerability Detection [0.0]
大規模言語モデル(LLM)は、潜在能力と一貫したアクティベーションの間に、十分に文書化されたギャップを示す。
以前の報告では、構造的事前は分配性能を劇的に向上させるが、ゼロショットベースラインのアウト・オブ・ディストリビューション以下に崩壊する。
我々は、ソースコードの脆弱性検出においてSAIR設計を再現することにより、この現象がクロスドメインであるかどうかを検証する。
論文 参考訳（メタデータ） (2026-07-16T06:45:08Z) - Two kinds of robustness are not the same: disentangling fault tolerance and low-SNR robustness in multi-domain event detection on real data [0.0]
イベント検出は、CCSと地熱活動、分散音響センシング(DAS)、産業状況監視のための誘導地震モニタリングの基盤となる。
我々は3つの物理的に異なる実情報源から統合されたバイナリイベント検出ベンチマークを組み立てる。
標準検出器に対するサンプルごとのセンサドロップアウトで訓練した耐故障性検出器の評価を行った。
論文 参考訳（メタデータ） (2026-06-28T11:14:20Z) - Anticipating the Optimism Gap: Predicting Distribution-Shift Degradation of RF-Impairment Detectors from In-Distribution Statistics [0.0]
電波障害の検知器は、通常、調整された分布で測定された単一のAUCで報告される。
アウト・オブ・ディストリビューション・データを見る前に、この楽観主義が予測できるかどうかを問う。
論文 参考訳（メタデータ） (2026-06-20T14:10:59Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - ET-Former: Efficient Triplane Deformable Attention for 3D Semantic Scene Completion From Monocular Camera [53.20087549782785]
本稿では,単一単眼カメラを用いたセマンティックシーン補完のための新しいエンドツーエンドアルゴリズムET-Formerを紹介する。
本手法は,単一のRGB観測からセマンティック占有マップを生成すると同時に,セマンティック予測のための不確実性推定を行う。
論文 参考訳（メタデータ） (2024-10-14T19:14:49Z)
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。