論文の概要: Integrating Survival-Based Aging Models with Data-Driven RUL Prognostics

• arxiv url: http://arxiv.org/abs/2610.06128v1
• Date: Mon, 05 Oct 2026 10:59:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:35:53.514382
• Title: Integrating Survival-Based Aging Models with Data-Driven RUL Prognostics
• Title（参考訳）: 生存型老化モデルとデータ駆動型RUL予後の統合
• Abstract要約: 本稿では,ウェアラブルとセンサをベースとする確率的融合フレームワークを提案する。 我々のフレームワークは、生涯にわたってより堅牢で一貫した予後に向けて、構造化された経路を提供することを示す。
• 参考スコア（独自算出の注目度）: 4.759823735082844
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predictive maintenance requires reliable remaining useful life (RUL) estimation. Existing methods mainly follow two paradigms: wear-based aging models that capture cumulative degradation and sensor-driven data models that reflect instantaneous health conditions, each providing only partial information. In this work, we propose a probabilistic fusion framework that integrates wear-based and sensor-based prognostic components through failure probability distributions. Based on explicit structural assumptions linking wear, latent health, sensor observations, and failure, we derive a principled combination rule that enables uncertainty-aware integration with adaptive weighting of the components. Experimentally, we assess this combination rule by learning the wear-based component using a parametric survival model and the sensor-based component using a 1D convolutional neural network (1D-CNN) with a post-hoc uncertainty model. Evaluation on multiple N-CMAPSS datasets demonstrates that the fused model improves point accuracy, preserves the C-index, and produces narrower yet well-calibrated prediction intervals compared to either component alone. The results highlight the complementary roles of wear-based survival model and sensor-based deep learning model, and show that their probabilistic integration provides a structured pathway toward more robust and consistent prognostics over the life-time.
• Abstract（参考訳）: 予測保守には、信頼性のある寿命 (RUL) 推定が必要である。 既存の手法は主に2つのパラダイムに従う: 累積劣化を捉える摩耗ベースの老化モデルと、瞬間的な健康状態を反映するセンサー駆動データモデルである。 本研究では, 故障確率分布を用いて, 摩耗型とセンサ型を融合した確率的融合フレームワークを提案する。 着物,潜伏状態,センサ観測,故障をリンクする明確な構造的仮定に基づいて,コンポーネントの適応重み付けによる不確実性認識の統合を可能にする,原則化された組み合わせルールを導出する。 本研究では,1次元畳み込みニューラルネットワーク(1D-CNN)とポストホック不確実性モデルを用いて,パラメトリックサバイバルモデルとセンサベースコンポーネントを併用することにより,この組み合わせルールを評価する。 複数のN-CMAPSSデータセットの評価は、融合モデルが点精度を向上し、C-インデックスを保存し、一方のコンポーネント単独と比較してより狭くよく校正された予測間隔を生成することを示す。 その結果, 装着型生存モデルとセンサ型深層学習モデルの相補的役割を強調し, その確率的統合が, 生涯にわたってより堅牢で一貫した予後への構造的経路を提供することを示した。

関連論文リスト

• Evaluating Deep Multivariate Imputation Models on Wearable Device Data [1.9474251417198067]
  BRITS(英語版)やSAITS(英語版)のような深い計算手法は、現実的な欠損下でのマルチモーダルな生理的データに対して限定的な評価を受けている。 トレーニングデータから連続した欠落テンプレートをマイニングし,ギャップ長単位の量子化によって階層化し,コミストネス構造を保存したブロックマスクとして注入する評価プロトコルを開発した。 一致したトレーニングプロトコルが同一の欠損分布にモデルを公開することで、BRITSの重いギャップMAEを43%削減する。
  論文  参考訳（メタデータ） (2026-08-25T11:48:12Z)
• Distributionally Faithful Imputation via Positive Semi-Definite Kernel Density Estimation [55.47411235954028]
  マスク観測による密度推定では,不規則に不規則に不規則な計算を行う。 我々は,ニュートン内点法で解ける閉じた形状の辺縁を持つ凸型経験的リスク問題を得る。 結果のPSDインプットモデルでは、同一の入射密度から単一および多重インプットが得られる。
  論文  参考訳（メタデータ） (2026-07-08T15:51:05Z)
• Neural Conjugate Aggregation: Identifiable Unsupervised Multi-Sensor Regression under Heterogeneous Sensor Bias [0.0]
  本研究では,不確実性下での回帰に基づくデータ融合について検討する。 この設定は、センサーネットワーク、シミュレーションアンサンブル、そして監視が費用がかかるか不可能である科学的な監視システムで発生する。 本稿では,ニューラルネットワークと共役ガウス推論を組み合わせた階層型ベイズフレームワークであるニューラル共役凝集モデル(NCAM)を提案する。
  論文  参考訳（メタデータ） (2026-06-20T19:30:21Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• STAR : Bridging Statistical and Agentic Reasoning for Large Model Performance Prediction [78.0692157478247]
  本稿では,知識駆動型エージェント推論を用いて,データ駆動型静的予測を橋渡しするフレームワークSTARを提案する。 STARはスコアベースとランクベースの両方の基準線を一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-12T16:30:07Z)
• Bootstrapping-based Regularisation for Reducing Individual Prediction Instability in Clinical Risk Prediction Models [2.1127261244588156]
  本稿では,ブートストラッププロセスを直接深層ニューラルネットワークのトレーニングに組み込む,ブートストラップに基づく新たな正規化フレームワークを提案する。 このアプローチは、再サンプリングされたデータセット間の予測変数を制約し、固有の安定性特性を持つ単一のモデルを生成する。 提案手法を従来モデルとアンサンブルモデルに対して提案した正規化手法を用いて構築したモデルを評価した。
  論文  参考訳（メタデータ） (2026-02-11T20:47:30Z)
• A Comprehensive Framework for Uncertainty Quantification of Voxel-wise Supervised Models in IVIM MRI [33.7054351451505]
  混合密度ネットワーク(MDN)のディープアンサンブルに基づく確率論的ディープラーニングフレームワークを提案する。 MDNは拡散係数Dと分数fのパラメータに対してより校正され、よりシャープな予測分布が得られたが、擬拡散係数D*ではわずかに過信が観察された。 本稿では,信頼できない推定値の同定と解釈を可能にする,不確実な定量化を伴うIVIMの包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-08-06T16:08:55Z)
• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• SASWISE-UE: Segmentation and Synthesis with Interpretable Scalable Ensembles for Uncertainty Estimation [6.082812294410541]
  本稿では,医療深層学習モデルの解釈性向上を目的とした,効率的なサブモデルアンサンブルフレームワークを提案する。 不確実性マップを生成することにより、エンドユーザーがモデル出力の信頼性を評価することができる。
  論文  参考訳（メタデータ） (2024-11-08T04:37:55Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Unlabelled Data Improves Bayesian Uncertainty Calibration under Covariate Shift [100.52588638477862]
  後続正則化に基づく近似ベイズ推定法を開発した。 前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
  論文  参考訳（メタデータ） (2020-06-26T13:50:19Z)

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。