論文の概要: Sera: Semantic Representation Aggregation with Knowledge and LLM for Reliable and Interpretable Battery Health Forecasting

• arxiv url: http://arxiv.org/abs/2610.11567v3
• Date: Mon, 12 Oct 2026 04:09:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-14 23:39:49.771237
• Title: Sera: Semantic Representation Aggregation with Knowledge and LLM for Reliable and Interpretable Battery Health Forecasting
• Title（参考訳）: Sera: 信頼性と解釈性のあるバッテリヘルス予測のための知識とLLMを用いたセマンティック表現集約
• Abstract要約: 既存のデータ駆動アプローチは、主に時間モデルを使用して、数値的なバッテリ時系列から学習する。 本稿では、時間的モデリングと分解的セマンティクスを補完する意味表現集約フレームワークであるSeraを提案する。
• 参考スコア（独自算出の注目度）: 9.023961152884013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Battery state of health (SoH) forecasting is important for battery management, but remains challenging due to nonlinear degradation and heterogeneity across batteries. Existing data-driven approaches primarily use temporal models to learn from numerical battery time series, and higher-level degradation characteristics are often not explicitly represented. These characteristics, however, can provide degradation guidance to support reliable forecasting and make the influence of degradation more interpretable. In this paper, we propose Sera, a semantic representation aggregation framework that complements temporal modelling with degradation semantics. Guided by battery domain expertise, Sera extracts degradation semantics from time series and constructs two complementary representations using rule-based knowledge and LLM-based interpretation. The representations are independently encoded and integrated with the representation learned by temporal models through gated aggregations. Experiments on the mainstream benchmark across multiple prediction horizons and different temporal models show that Sera consistently improves forecasting performance, achieving up to a 37.3% reduction in prediction error over the temporal baseline and enhanced generalizability. Counterfactual analysis examines how forecasts respond to changes in degradation semantics to assess interpretability. The results show that prediction responses are consistent with the meanings of key degradation descriptors across tested horizons. Together, these findings demonstrate that structured degradation semantics and effective aggregation can improve forecasting accuracy and support reliable and interpretable battery health forecasting for advanced battery management.
• Abstract（参考訳）: 電池状態予測(SoH)は, 電池管理において重要であるが, 非線形劣化と電池間の不均一性のため, 依然として困難である。 既存のデータ駆動型アプローチは主に時間モデルを用いて数値的なバッテリ時系列から学習し、高レベルの劣化特性は明示的に表現されないことが多い。 これらの特徴は、信頼性の高い予測をサポートし、劣化の影響をより解釈可能なものにするための劣化誘導を提供することができる。 本稿では,時間的モデリングと分解的セマンティクスを補完する意味表現集約フレームワークであるSeraを提案する。 バッテリードメインの専門知識によってガイドされ、Seraは時系列から分解セマンティクスを抽出し、ルールベースの知識とLLMベースの解釈を使って2つの相補的な表現を構築する。 表現は独立に符号化され、ゲートアグリゲーションを通して時間モデルによって学習された表現と統合される。 複数の予測地平線と異なる時間モデルにわたる主要なベンチマークの実験では、セラは予測性能を一貫して改善し、時間ベースライン上での予測誤差を最大37.3%削減し、一般化可能性を高めることが示されている。 事実分析は、予測が分解セマンティクスの変化にどう反応するかを調べ、解釈可能性を評価する。 その結果, 予測応答は, 試験地平線を横断する鍵劣化記述子の意味と一致していることがわかった。 これらの結果から, 構造劣化のセマンティクスと効果的な集約により, 予測精度が向上し, 高度な電池管理のための信頼性と解釈可能な電池の健康予測を支援することが示唆された。

関連論文リスト

• NVExplain: Explaining Time Series Forecasting with Latent Trajectory Analysis and Structure-Preserving Surrogates [2.0320459617688793]
  時系列予測モデルは、ハイテイクな設定で広く使われている。 既存のポストホック法はしばしば時間的依存を無視し、地平線固有の説明を提供しない。 本稿では,各予測地平線を時間的関係のある歴史的遅れに寄与させることで予測予測を説明するモデルに依存しない説明可能性フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-25T19:14:12Z)
• Factorize to Generalize: Retrieval-Guided Invariant-Dynamic Decomposition for Time Series Forecasting [64.2640656619583]
  時系列基礎モデル (TSFM) は, 大規模事前学習と検索強化予測により, ゼロショット予測性能が向上した。 本稿では時系列予測のための検索誘導不変動的分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-24T07:31:55Z)
• Towards Accurate and Interpretable Time-series Forecasting: A Polynomial Learning Approach [14.252057458281909]
  時系列予測は早期警告を可能にし、アセットパフォーマンス管理を従来の計画されたメンテナンスから予測的なメンテナンスへと駆り立てた。 予測方法における解釈可能性の欠如は、ユーザの信頼を損なうとともに、開発者の複雑さを損なう。 本稿では,モデル構造に解釈可能性を統合する,解釈型学習(IPL)手法を提案する。
  論文  参考訳（メタデータ） (2026-03-03T11:59:46Z)
• 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)
• A Unified Frequency Domain Decomposition Framework for Interpretable and Robust Time Series Forecasting [81.73338008264115]
  時系列予測の現在のアプローチは、時間領域であれ周波数領域であれ、主に線形層やトランスフォーマーに基づいたディープラーニングモデルを使用する。 本稿では,多種多様な時系列を数学的に抽象化する統合周波数領域分解フレームワークFIREを提案する。 火は長期予測ベンチマークで最先端のモデルを一貫して上回る。
  論文  参考訳（メタデータ） (2025-10-11T09:59:25Z)
• Faithful and Interpretable Explanations for Complex Ensemble Time Series Forecasts using Surrogate Models and Forecastability Analysis [1.5751034894694789]
  本稿では,精度と解釈可能性のギャップを埋めるサロゲートに基づく説明手法を開発する。 スペクトル予測可能性分析を統合し,各系列固有の予測可能性の定量化を行う。 結果として得られるフレームワークは、最先端のアンサンブル予測に対する解釈可能なインスタンスレベルの説明を提供する。
  論文  参考訳（メタデータ） (2025-10-09T18:49:45Z)
• Revisiting Multivariate Time Series Forecasting with Missing Values [65.30332997607141]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
  時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。 本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
  論文  参考訳（メタデータ） (2025-08-18T04:06:26Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。