論文の概要: Explainable Failure Prediction and Prevention in Maritime

• arxiv url: http://arxiv.org/abs/2610.08363v1
• Date: Tue, 06 Oct 2026 13:51:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.016837
• Title: Explainable Failure Prediction and Prevention in Maritime
• Title（参考訳）: 海上における説明可能な故障予測と防止
• Abstract要約: 海上システムは、予期せぬ機器故障が安全性、信頼性、運用効率を損なうような非常にダイナミックな環境で運用される。 人工知能(AI)、機械学習、デジタルツイン、予測保守の最近の進歩は、積極的な障害予測と予防を可能にしている。 信頼性と説明可能な意思決定を保証することは、安全クリティカルな海洋アプリケーションにおいて依然として大きな課題である。
• 参考スコア（独自算出の注目度）: 3.814858728853162
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Maritime systems operate in highly dynamic environments where unexpected equipment failures can compromise safety, reliability, and operational efficiency. Recent advances in artificial intelligence (AI), machine learning, digital twins, and predictive maintenance enable proactive failure prediction and prevention. However, ensuring trustworthy and explainable decision-making remains a major challenge in safety-critical maritime applications. This chapter reviews key AI technologies required for explainable failure prediction and prevention in maritime systems and presents a conceptual architecture capable of supporting autonomous or human-in-the-loop corrective actions. This architecture integrates data acquisition, time-series forecasting, anomaly detection, risk assessment, decision-making, and explainable AI into a closed-loop framework. With reference to the architectural components, a review and discussion of relevant maritime studies is performed, outlining their methods, advantages, and limitations. Furthermore, it highlights current challenges, including uncertainty and robustness, model generalization, explainability, limited availability of maritime datasets, and operational deployment, and identifies future research directions toward trustworthy AI-assisted maritime decision-making.
• Abstract（参考訳）: 海上システムは、予期せぬ機器故障が安全性、信頼性、運用効率を損なうような非常にダイナミックな環境で運用される。 人工知能(AI)、機械学習、デジタルツイン、予測保守の最近の進歩は、積極的な障害予測と予防を可能にしている。 しかし、信頼性と説明可能な意思決定を保証することは、安全クリティカルな海洋アプリケーションにおいて大きな課題である。 本章では,海上システムにおける障害予測と防止のための重要なAI技術についてレビューし,自律的あるいはループ内修正行動をサポートすることができる概念的アーキテクチャを提案する。 このアーキテクチャは、データ取得、時系列予測、異常検出、リスク評価、意思決定、説明可能なAIをクローズドループフレームワークに統合する。 アーキテクチャコンポーネントに関して、関連する海洋研究のレビューと議論が行われ、その方法、利点、限界の概要が述べられている。 さらに、不確実性と堅牢性、モデル一般化、説明可能性、海洋データセットの可用性の制限、運用展開など、現在の課題を強調し、信頼できるAI支援海洋意思決定に向けた将来の研究方向を特定する。

関連論文リスト

• Understanding Operator Attitudes Toward AI-Supported Decision Making in Maritime Operations [0.0]
  本稿では,衝突回避シナリオにおけるAI支援アシスタントに対する海洋利害関係者の態度に関する調査研究について述べる。 結果は、海洋技術に対する概して肯定的な態度を示し、開度に年齢による差異が明らかでないこと、シナリオ間の安定した信頼、よりシナリオに敏感な説明評価を示す。 この結果は、海事AIシステムは、自動化や信頼の向上だけでなく、透明性、信頼性、運用上意味のある設計を通じて、キャリブレーションされた信頼性のサポートにのみ焦点をあてるべきであることを示している。
  論文  参考訳（メタデータ） (2026-09-10T16:57:44Z)
• Context-Aware Concept Distillation for Trustworthy Flood Prediction [0.0]
  洪水リスク管理は正確な予測に頼っているが、最先端のディープラーニングモデルの“ブラックボックス”の性質は、高リスクの公衆安全判断における信頼性と説明責任の障壁を生み出している。 本研究では,不透明なLSTMを解釈可能・水文認識サロゲートモデルに蒸留するために,ドメインエキスパートと共同で開発されたフレームワークであるCACDを提案する。
  論文  参考訳（メタデータ） (2026-07-25T14:45:26Z)
• The safety failures we are not instrumenting: a perspective on hidden safety-critical challenges in modern AI systems [26.594498540217568]
  デプロイされたシステムでは、最も連続的な障害の多くは、目覚ましいよりも静かで、単一のアウトプットに局所化するのではなく、コンポーネントに分散し、障害として認識される前にエコシステムによって正規化される。 現代のAIシステムにおける中心的な安全性の課題は、モデルが有害な応答を放出するかどうかだけではなく、より広範な社会技術システムが、エラーが可視で、競合可能で、封じ込め可能で、回復可能な状態を維持しているかどうかである。
  論文  参考訳（メタデータ） (2026-07-21T17:02:37Z)
• AI Deception: Risks, Dynamics, and Controls [153.71048309527225]
  このプロジェクトは、AI偽装分野の包括的で最新の概要を提供する。 我々は、動物の偽装の研究からシグナル伝達理論に基づく、AI偽装の正式な定義を同定する。 我々は,AI偽装研究の展望を,偽装発生と偽装処理の2つの主要な構成要素からなる偽装サイクルとして整理する。
  論文  参考訳（メタデータ） (2025-11-27T16:56:04Z)
• From Black Box to Insight: Explainable AI for Extreme Event Preparedness [6.583192288853322]
  気候変動が山火事などの極端な出来事の頻度と深刻度を加速するにつれ、正確で説明可能な予測や行動可能な予測の必要性が高まっている。 人工知能(AI)モデルはそのような事象を予測することを約束しているが、現実の意思決定への採用はブラックボックスの性質のために制限されている。 本稿では、予測精度と極端な事象予測のための実用的な洞察とのギャップを埋める上での、説明可能なAI(XAI)の役割について検討する。
  論文  参考訳（メタデータ） (2025-11-17T18:57:15Z)
• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Identifying Trustworthiness Challenges in Deep Learning Models for Continental-Scale Water Quality Prediction [69.38041171537573]
  水質は環境の持続可能性、生態系の回復力、公衆衛生に基礎を置いている。 ディープラーニングは、大規模な水質予測と科学的洞察生成のための変革的なポテンシャルを提供する。 汚染緩和や資源配分等、高額な運用上の意思決定に広く採用されていることは、未解決の信頼性の課題によって防止されている。
  論文  参考訳（メタデータ） (2025-03-13T01:50:50Z)
• Predictable Artificial Intelligence [77.1127726638209]
  本稿では予測可能なAIのアイデアと課題を紹介する。 それは、現在および将来のAIエコシステムの重要な妥当性指標を予測できる方法を探る。 予測可能性を達成することは、AIエコシステムの信頼、責任、コントロール、アライメント、安全性を促進するために不可欠である、と私たちは主張する。
  論文  参考訳（メタデータ） (2023-10-09T21:36:21Z)
• Online Mapping and Motion Planning under Uncertainty for Safe Navigation in Unknown Environments [3.2296078260106174]
  本論文は,確率論的安全保証者によるオンラインで実現可能な動作のマッピングと計画のための不確実性に基づくフレームワークを提案する。 提案手法は, 環境の不確実性を意識した環境表現を構築するために周囲をマッピングし, (i) 信念空間の多層サンプリングベースプランナーを通して, キノダイナミックに実現可能で確率論的に安全な目標に反復的に(re)計画を行うことにより, 動き, 確率論的安全性, オンライン計算制約を取り扱う。
  論文  参考訳（メタデータ） (2020-04-26T08:53:37Z)

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。