論文の概要: PriMa-Causa: Causal Prescriptive Maintenance
- arxiv url: http://arxiv.org/abs/2610.31147v1
- Date: Thu, 22 Oct 2026 12:06:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 02:08:44.36745
- Title: PriMa-Causa: Causal Prescriptive Maintenance
- Title（参考訳）: PriMa-Causa: 因果的規範的メンテナンス
- Abstract要約: 規範的なメンテナンスでは、単に予測するのではなく、差し迫った失敗に対するメンテナンスアクションを推奨している。
この論文は、因果推論を規範的保守に組み込む方法を分析し、その介入効果の推定によって行動がランク付けされるようにする。
PriMa-Causa は、結合ベースラインよりも低い処方の誤差を達成し、最大のマージンは、重なり合いと疎いコンテキストの下にある。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Automated manufacturing requires data-driven decisions under uncertainty and sparse observational records, and unplanned downtime is a dominant cost of getting them wrong. Prescriptive maintenance recommends a maintenance action against an impending failure rather than merely predicting it. Established reference architectures couple predictive models with rule- or optimisation-based recommendation logic. Selecting a corrective action, however, requires an interventional quantity: how the line behaviour would change if the action were set. Manufacturing data is observational, so a model fitted to predict the outcome estimates an associational quantity and may misdirect the choice of action without the prediction error revealing it. Causal estimators target the interventional quantity but require an expert-led causal study per case, for which the bounded decision window of operation leaves no room. This dissertation analyses how causal reasoning can be embedded into prescriptive maintenance so that actions are ranked by their estimated interventional effect. The result is PriMa-Causa, built from three components: a causal reasoning layer that integrates the estimate into the PriMa reference model, a parametric simulator that supplies the interventional ground truth absent from manufacturing data, and a graph-conditioned tabular causal foundation model that, pre-trained once on this synthetic production-line prior, answers interventional queries in a single forward pass. PriMa-Causa attains a lower prescription error than associational baselines, with the largest margin under weak overlap and sparse context, and a partially disclosed causal graph reduces this error further. The causal inductive bias of the synthetic prior and the graph conditioning can thus replace per-case estimator fitting, a step toward automating causal inference for autonomous and self-healing maintenance.
- Abstract（参考訳）: 自動製造には不確実性の下でデータ駆動による決定が必要で、観測記録が不足しているため、計画外のダウンタイムが過ちを犯す主なコストである。
規範的なメンテナンスでは、単に予測するのではなく、差し迫った失敗に対するメンテナンスアクションを推奨している。
確立された参照アーキテクチャは、ルールまたは最適化ベースのレコメンデーションロジックで予測モデルを結合する。
しかし、修正アクションを選択するには、介入の量、つまりアクションがセットされた場合のラインの振る舞いがどのように変化するかが必要となる。
製造データは観察的であるため、結果を予測するためのモデルでは、関連量を推定し、予測誤差を明らかにすることなく、アクションの選択を誤指示することができる。
因果推定器は介入量をターゲットにしているが、専門家主導の因果研究が必要である。
この論文は、因果推論を規範的保守に組み込む方法を分析し、その介入効果の推定によって行動がランク付けされるようにする。
PriMa-Causaは3つのコンポーネントから構成されており、見積もりをPriMa参照モデルに統合する因果推論層、製造データから欠落した介入地面の真理を供給するパラメトリックシミュレータ、この合成生産ラインで1回事前訓練されたグラフ条件の表層因果基盤モデルである。
PriMa-Causaは、結合ベースラインよりも低い処方則誤差を達成し、最大のマージンは、重なり合いと疎いコンテキストの下にあり、部分的に開示された因果グラフにより、このエラーをさらに減少させる。
合成前の因果的帰納バイアスとグラフ条件付けは、自律的および自己修復的メンテナンスのための因果推論を自動化するためのステップである、ケースごとの推定器フィッティングを置き換えることができる。
関連論文リスト
- Action-Consequence Alignment for Reliable Planning and Self-Improving in Latent World Models [50.093046379641315]
学習された世界モデルが類似した行動結果対応を維持しているかどうかを検討する。
その結果、近くの代替手段は、記録された目標から遠く離れた物理的結果を生み出すにもかかわらず、より低い予測誤差を得られることが示された。
これらの結果は、予測学習と信頼性プランニングをブリッジする実践原則として、アクション・エフェクト・アライメントを支援する。
論文 参考訳（メタデータ） (2026-10-03T14:12:16Z) - Counterfactual Predictions in Scientific Emulators Without Controlled Experiments [79.60287973965639]
ReRouteは、科学的な「何」予測をターゲットとするフレームワークである。
本研究では,ReRouteが制御された対流拡散システムにおいて,高精度な対物予測を実現することを示す。
密集した気候・気候の介入について、ReRouteはCO$の厳しい分配シフトの下で、総合的な気候誤差を18.2-31.8%削減する。
論文 参考訳（メタデータ） (2026-09-30T19:16:07Z) - Repurposing Deep Limit Order Book Forecasting for Scenario-Conditioned Market Impact Modeling [49.590388401787834]
本稿では,機械的に有効な反事実メッセージの注入前後の予測者の予測分布を比較するモデルに依存しないフレームワークを提案する。
トランスフォーマーをベースとした予測器は、スピアマンの相関関係を0.99と97.2%と、実現した歴史的成果との方向性の一致で、シナリオランキングを回復した。
論文 参考訳（メタデータ） (2026-09-15T10:06:03Z) - A Control Theory of Predictability in Latent World Models [39.22646915328561]
現在のプラクティスでは、トレーニングとモデル選択の目的として、ホールトアウトデータに対する単一または複数ステップのロールアウト損失である予測エラーを採用しています。
この仮定は構造上の理由から信頼できないことを示す。
プランナーはトレーニング分布についてモデルに問い合わせるのではなく、その候補となるアクションが到達し、一般にデータ多様体を残します。
論文 参考訳（メタデータ） (2026-07-11T15:42:26Z) - 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) - Auditing and Fixing Economic Validity in Tabular Foundation Models for Discrete Choice [12.709654635425442]
タブラル基礎モデルは選択予測タスクにおいて高い精度を達成する。
しかし、彼らの予測は、それらのタスクが必要とする経済論理に反することが多い。
実用最大化フレームワークに基礎モデル予測を組み込む2段階のアダプタを提案する。
論文 参考訳（メタデータ） (2026-05-26T05:13:20Z) - Integrating Causal Foundation Model in Prescriptive Maintenance Framework for Optimizing Production Line OEE [1.4045035442386142]
製造業における規範的メンテナンスへの移行は、予測モデルへの依存によって決定的に制約される。
本稿では,このギャップを埋めるための因果機械学習に基づくモデルを提案する。
論文 参考訳（メタデータ） (2025-11-30T16:33:30Z) - ACTIVA: Amortized Causal Effect Estimation via Transformer-based Variational Autoencoder [7.987204219322316]
本稿では,アモータライズされた因果推論のための条件付き変分自動エンコーダアーキテクチャであるACTIVAを提案する。
ACTIVAは、観測入力と介入クエリに条件づけられた潜伏表現を学習し、ゼロショット推論を可能にする。
我々は、ACTIVAが観察的に等価な因果モデルよりも混合として介入分布を予測することを示す理論的洞察を提供する。
論文 参考訳（メタデータ） (2025-03-03T08:28:25Z) - Autoregressive flow-based causal discovery and inference [4.83420384410068]
自己回帰フローモデルは、様々な因果推論タスクを実行するのに適している。
自己回帰型アーキテクチャは、因果順序に類似した変数の順序を定義しているという事実を活用する。
本稿では, 自己回帰的流れを正しい因果順序で訓練することにより, 正確な介入予測と反事実予測を行うことができる, 合成データの例を示す。
論文 参考訳（メタデータ） (2020-07-18T10:02:59Z) - Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。
本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文 参考訳（メタデータ） (2020-06-30T15:49:05Z) - AutoCP: Automated Pipelines for Accurate Prediction Intervals [84.16181066107984]
本稿では、自動予測のための自動機械学習(Automatic Machine Learning for Conformal Prediction, AutoCP)というAutoMLフレームワークを提案する。
最高の予測モデルを選択しようとする慣れ親しんだAutoMLフレームワークとは異なり、AutoCPは、ユーザが指定したターゲットカバレッジ率を達成する予測間隔を構築する。
さまざまなデータセットでAutoCPをテストしたところ、ベンチマークアルゴリズムを著しく上回っていることがわかった。
論文 参考訳（メタデータ） (2020-06-24T23:13:11Z)
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。