論文の概要: Text-Informed Training Data Filtering for Enhanced Virtual Flow Meter Performance

• arxiv url: http://arxiv.org/abs/2610.19860v1
• Date: Wed, 14 Oct 2026 09:24:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.068622
• Title: Text-Informed Training Data Filtering for Enhanced Virtual Flow Meter Performance
• Title（参考訳）: テキストインフォームドトレーニングデータフィルタリングによる仮想フローメータの性能向上
• Abstract要約: エネルギー、養殖、化学処理などの分野では、機械的モデルとデータ駆動モデルの両方の有効性は、品質の悪いトレーニングデータによって制限されることが多い。 従来のルールベースのフィルタリングは、異常のサブセットを削除することができるが、構造化されていないテキストとして格納されたコンテキスト情報を利用することはできない。 本研究では,大規模言語モデル(LLM)を利用したテキストインフォームドデータフィルタリング手法を提案する。
• 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 sectors such as energy, aquaculture and chemical processing, the effectiveness of both mechanistic and data-driven models is frequently limited by poor-quality training data, which obscures underlying physical laws and degrades predictive accuracy. Such quality issues commonly manifest as anomalies in the dataset, ranging from sensor faults to process upsets and incorrect operator inputs. While traditional rule-based filtering can remove a subset of the anomalies, it is unable to leverage contextual information stored as unstructured text, such as engineer comments and operational logs that explain under what conditions the data was collected. We propose a text-informed data filtering method that leverages large language models (LLMs) to integrate unstructured operational data with tabular sensor data. The method consists of two steps: (1) contextual anomaly detection by reasoning over both data modalities, and (2) generation of a binary mask that is applied to filter the training dataset for model development. To investigate the potential benefit, a steady-state soft-sensor regression model, namely a virtual flow meter that estimates well flow rates, is used as the downstream evaluation target. Experiments on a synthetic oil and gas dataset show improved model performance compared to traditional rule-based filtering. Ablation studies show that textual operator comments can provide filtering-relevant signals beyond sensor data alone, with the multimodal approach reducing downstream MAPE from 7.1% to 5.4% relative to sensor-only filtering. This work demonstrates that integrating unstructured operational knowledge with sensor data through LLMs can improve data quality for industrial machine learning applications, offering a scalable alternative to manual data curation.
• Abstract（参考訳）: エネルギー、養殖、化学処理などの分野では、機械的モデルとデータ駆動モデルの両方の有効性は、基礎となる物理法則を曖昧にし、予測精度を低下させる、品質の悪いトレーニングデータによって制限される。 このような品質問題は、センサーの故障からプロセスの混乱、誤ったオペレータ入力まで、データセットの異常として一般的に現れます。 従来のルールベースのフィルタリングでは、異常のサブセットを削除することができるが、エンジニアのコメントや運用ログなど、構造化されていないテキストとして格納されたコンテキスト情報は、収集されたデータ条件で説明できない。 本研究では,大規模言語モデル(LLM)を利用したテキストインフォームドデータフィルタリング手法を提案する。 本手法は,(1)両データモダリティの推論による文脈異常検出と,(2)モデル開発のためのトレーニングデータセットのフィルタリングに応用したバイナリマスクの生成の2段階からなる。 その可能性を検討するため、下流評価対象として、定常型ソフトセンサ回帰モデル、すなわち、流量を推定する仮想フローメータが用いられる。 合成油とガスのデータセットの実験では、従来の規則に基づくフィルタリングと比較してモデル性能が向上した。 アブレーション研究により、テキストオペレーターのコメントは、センサーデータ以外のフィルタリング関連信号を提供できることが示され、マルチモーダルアプローチにより、センサーのみのフィルタリングと比較して、下流のMAPEは7.1%から5.4%に減少する。 この研究は、構造化されていない運用知識とLLMを通してセンサデータを統合することで、産業用機械学習アプリケーションのデータ品質が向上し、手動データキュレーションに代わるスケーラブルな代替手段を提供することを示した。

関連論文リスト

• Let Training Guide Selection: Online Synthetic Data Filtering via Real-Anchored Utility [3.344648826490656]
  合成データは、実世界のデータが限られている場合にトレーニングをスケールすることができるが、ノイズや分布ミスマッチは、その価値を減少させる。 実データに固定された勾配フィードバックを通じて合成データの有用性を推定するオンラインフレームワークであるFROSTを提案する。 実験により、FROSTは合成データの約20～30%をフィルタし、完全な合成データプールでのトレーニングと比較して実性能を改善した。
  論文  参考訳（メタデータ） (2026-09-24T15:38:45Z)
• Optimsyn: Influence-Guided Rubrics Optimization for Synthetic Data Generation [41.42036786553015]
  大規模言語モデル(LLM)は、多くの教師付き微調整(SFT)データにより、強力な下流性能を達成する。 人文科学、社会科学、医学、法律、金融といった知識集約的な領域における高品質なSFTデータはほとんどない。 しかし、ルーブリック設計は専門家に依存しており、ドメイン間での転送が不十分であり、しばしば、ルーブリックの記述、データの合成、トレーニング、結果の検査、手動による修正の推測といった脆いループを通じて最適化される。
  論文  参考訳（メタデータ） (2026-04-01T06:28:44Z)
• Bounding Box-Guided Diffusion for Synthesizing Industrial Images and Segmentation Map [50.21082069320818]
  最小限の監督で高忠実度産業データセットを生成するための拡散型パイプラインを提案する。 提案手法では, 拡張有界箱表現の拡散モデルを用いて, 正確なセグメンテーションマスクを生成する。 その結果、拡散に基づく合成は、人工的な産業データと実世界の産業データとのギャップを埋めることを示した。
  論文  参考訳（メタデータ） (2025-05-06T15:21:36Z)
• A deep latent variable model for semi-supervised multi-unit soft sensing in industrial processes [0.0]
  半教師付きマルチユニットソフトセンシングのための潜時変動モデルを提案する。 この階層的で生成的なモデルは、ラベル付きデータとラベルなしデータの両方から学習するだけでなく、異なるユニットを共同でモデル化することができる。 半教師付き学習とマルチタスク学習を組み合わせることで,提案手法は優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2024-07-18T09:13:22Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)
• A Pretrainer's Guide to Training Data: Measuring the Effects of Data Age, Domain Coverage, Quality, & Toxicity [84.6421260559093]
  この研究は、テキスト事前学習に関する文書化されていない直観を検証、定量化、公開するための最大の実験である。 以上の結果から,トレーニングデータをフィルタリングする一大ソリューションが存在しないことが示唆された。
  論文  参考訳（メタデータ） (2023-05-22T15:57:53Z)
• On-the-fly Denoising for Data Augmentation in Natural Language Understanding [101.46848743193358]
  よりクリーンなオリジナルデータに基づいて訓練された有機教師モデルによって提供されるソフトな拡張ラベルから学習する,データ拡張のためのオンザフライデノケーション手法を提案する。 本手法は,一般的な拡張手法に適用でき,テキスト分類と質問応答の両タスクの性能を一貫して向上させることができる。
  論文  参考訳（メタデータ） (2022-12-20T18:58:33Z)
• SensorSCAN: Self-Supervised Learning and Deep Clustering for Fault Diagnosis in Chemical Processes [2.398451252047814]
  本研究では,教師なし故障検出・診断のための新しい手法であるSensorSCANを提案する。 我々は、テネシー・イーストマン・プロセスの2つの公開データセットに、さまざまな欠点のあるモデルの性能を実演する。 本手法は,故障の数が事前に分かっていない実世界のアプリケーションに適している。
  論文  参考訳（メタデータ） (2022-08-17T10:24:37Z)
• Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
  産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。 本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
  論文  参考訳（メタデータ） (2022-02-03T07:12:36Z)
• Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities [7.939382824995354]
  高スループットデータフィルタリングとトリガシステムを設計するための新しいデータ駆動アプローチを紹介します。 私たちの目標は、どのデータイベントを維持するかを決定するために、最小限のランタイムコストでデータ駆動フィルタリングシステムを設計することです。 現在のパラダイムにおける非局所的非効率性を考慮するために、解釈可能な予測モデリングとコストに敏感な学習から重要な洞察を紹介します。
  論文  参考訳（メタデータ） (2021-04-14T05:01:32Z)

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。