論文の概要: Class-aware Latent Attention Replay (CLAR): Class Incremental Hazard Diagnosis for Resilient AI in the Manufacturing Industrial Internet

• arxiv url: http://arxiv.org/abs/2610.39323v1
• Date: Thu, 29 Oct 2026 04:06:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.457784
• Title: Class-aware Latent Attention Replay (CLAR): Class Incremental Hazard Diagnosis for Resilient AI in the Manufacturing Industrial Internet
• Title（参考訳）: CLAR(Class-Aware Latent Attention Replay) : 産業用インターネットにおけるレジリエントAIのクラスインクリメンタルハザード診断
• Abstract要約: CLAR(Class-Aware Latent Attention Replay)は、過去のサンプルの小さなメモリを再考しながら、新しいハザードクラスを学ぶ。 ALS誘導リプレイは、クラスバランスの均一リプレイよりも低いリプレイ・グラディエントエラーを有する。 MIIテストベッドからのハザード診断データについて、CLARは評価された再生方法の中で、最高平均重み付きF1スコアを達成する。
• 参考スコア（独自算出の注目度）: 1.593065406609169
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Artificial Intelligence (AI) systems provide critical computation services in the Manufacturing Industrial Internet (MII), and their resilience depends on timely diagnosis of hazards across the data, AI pipeline, and cyber-physical layers. During operation, new hazard types keep emerging with only a few samples each, hazards co-occur, and the diagnosis model runs on memory-constrained computation nodes. Replay-based class-incremental learning (CIL) can learn new hazard classes while revisiting a small memory of past samples, but existing methods assume single-label, balanced streams, store high-dimensional raw samples, and select them independently of the classifier. We propose Class-aware Latent Attention Replay (CLAR), which combines a dual buffer that stores mostly compact latent representations with a few raw samples, an Attention Leverage Score (ALS) that upper-bounds the classifier logit and guides class-balanced reservoir sampling, and an exponential-moving-average teacher that slows latent-space drift. For an idealized buffer model, we prove that the buffer is class-balanced and follows an ALS-weighted class distribution, and that below a critical per-class capacity, ALS-guided replay has a lower replay-gradient error than class-balanced uniform replay. In the case study, On hazard diagnosis data from an MII testbed, CLAR achieves the highest mean average weighted F1 score among the evaluated replay methods with the same buffer size
• Abstract（参考訳）: 人工知能(AI)システムは、製造産業用インターネット(MII)において重要な計算サービスを提供し、そのレジリエンスは、データ、AIパイプライン、サイバー物理層にわたる危険のタイムリーな診断に依存する。 運用中、新しいハザードタイプが出現し続けており、サンプルはわずかであり、ハザードは共起し、診断モデルはメモリに制約のある計算ノードで実行される。 Replay-based class-incremental learning (CIL)は、過去のサンプルの小さな記憶を再考しながら新しいハザードクラスを学ぶことができるが、既存の手法ではシングルラベル、バランスの取れたストリームを仮定し、高次元のサンプルを保存し、分類器から独立してそれらを選択できる。 本稿では,大半がコンパクトな潜在表現を数個のサンプルに格納する2つのバッファと,分類器ロジットを上位にバウンドし,クラス平衡型貯水池サンプリングを誘導するAttention Leverage Score(ALS)と,遅延空間のドリフトを遅くする指数移動平均教師を組み合わせたCLAR(Class-Aware Latent Attention Replay)を提案する。 理想的なバッファモデルの場合、バッファはクラスバランスが取れており、ALS重み付けされたクラス分布に従うことが証明され、ALS誘導リプレイはクラスバランスの均一リプレイよりも低いリプレイ・グラディエントエラーを持つ。 ケーススタディでは、MIIテストベッドからの危険診断データにおいて、CLARは同じバッファサイズで評価されたリプレイ法の中で、平均重み付きF1スコアを達成している。

関連論文リスト

• Buffer-free Class-Incremental Learning with Out-of-Distribution Detection [17.67144692440415]
  クラスインクリメンタルラーニング(CIL)は、オープンワールドシナリオにおいて大きな課題となる。 本稿では,ポストホックOOD検出手法の詳細な解析を行い,メモリバッファの必要性を解消する可能性について検討する。 このバッファフリー手法は,クラスインクリメンタル学習と未知サンプルの拒絶という両面において,バッファベースの手法と同等あるいは優れた性能が得られることを示す。
  論文  参考訳（メタデータ） (2025-05-29T13:01:00Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• Systematic Evaluation of Synthetic Data Augmentation for Multi-class NetFlow Traffic [2.5182419298876857]
  マルチクラス分類モデルは特定のタイプの攻撃を識別し、より標的的で効果的なインシデント応答を可能にする。 最近の進歩は、生成モデルがデータの増大を補助し、不均衡なデータセットに対して優れたソリューションを提供すると主張することを示唆している。 本実験は,トレーニングデータのバランスをとる再サンプリング手法が,分類性能を確実に向上させるものではないことを示唆している。
  論文  参考訳（メタデータ） (2024-08-28T12:44:07Z)
• Few-Shot Class-Incremental Learning with Prior Knowledge [94.95569068211195]
  本稿では,事前学習モデルの一般化能力を高めるために,先行知識を用いた学習(LwPK)を提案する。 実験結果から,LwPKは破滅的忘れ込みに対するモデルレジリエンスを効果的に向上させることが示された。
  論文  参考訳（メタデータ） (2024-02-02T08:05:35Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• RanPAC: Random Projections and Pre-trained Models for Continual Learning [59.07316955610658]
  継続学習(CL)は、古いタスクを忘れずに、非定常データストリームで異なるタスク(分類など)を学習することを目的としている。 本稿では,事前学習モデルを用いたCLの簡潔かつ効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2023-07-05T12:49:02Z)
• Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
  本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。 種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。 共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
  論文  参考訳（メタデータ） (2020-10-01T17:51:49Z)
• Automatic Recall Machines: Internal Replay, Continual Learning and the Brain [104.38824285741248]
  ニューラルネットワークのリプレイには、記憶されたサンプルを使ってシーケンシャルなデータのトレーニングが含まれる。 本研究では,これらの補助サンプルをフライ時に生成する手法を提案する。 代わりに、評価されたモデル自体内の学習したサンプルの暗黙の記憶が利用されます。
  論文  参考訳（メタデータ） (2020-06-22T15:07:06Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。