論文の概要: Fault-tolerant shallow recurrent decoders for sparse sensing with missing sensor measurements

• arxiv url: http://arxiv.org/abs/2611.04893v1
• Date: Tue, 03 Nov 2026 13:39:47 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-04 17:28:56.476007
• Title: Fault-tolerant shallow recurrent decoders for sparse sensing with missing sensor measurements
• Title（参考訳）: 欠損センサ計測によるスパースセンシングのための耐故障性浅電流デコーダ
• Abstract要約: 浅い再帰デコーダ(SHRED)の文脈における耐故障性スパースセンシング戦略を導入する。 SHREDはスパース、非同期、センサの欠如から高次元状態推定を可能にする。 本稿では, トランスを用いたマスキング機構が, 標準計算技術や耐故障再帰アーキテクチャより優れていることを示す。
• 参考スコア（独自算出の注目度）: 2.3665790279473526
• License:
• Abstract: Real-world sensing systems are inherently imperfect: sensors may fail, intermittently disconnect, operate with asynchronous sampling rates, and be subject to noise, leading to measurement streams that are irregular, incomplete, and heterogeneous. Nevertheless, sensing strategies for real-time state reconstruction typically assume synchronous and continuously active sensors, a constraint that substantially limits their applicability in operational environments. In this work, we introduce fault-tolerant sparse sensing strategies in the context of shallow recurrent decoders (SHRED) to enable high-dimensional state estimation from sparse, asynchronous, and missing sensor measurements. Specifically, we consider naive imputation strategies, fault-tolerant recurrent temporal encoders, and we introduce four different transformer-based masking mechanisms to make SHRED explicitly aware of sensor availability through the binary data-availability mask. Moreover, we further introduce a multi-step decoding training objective for SHRED, resulting in smoother latent trajectories and more robust predictions. Throughout a synthetic benchmark and three real-world problems in hydrodynamic and ocean modeling, we show that (i) transformer-based masking mechanisms outperform standard imputation techniques and fault-tolerant recurrent architectures, (ii) the multi-step decoding training objective enhances reconstruction fidelity and robustness in the presence of heterogeneous missing-data patterns, while (iii) the computational efficiency of SHRED is preserved, with no additional inference-time overhead.
• Abstract（参考訳）: センサーは断続的に切断され、非同期サンプリングレートで動作し、ノイズにさらされ、不規則で不完全で不均一な測定ストリームにつながる。 それでも、リアルタイムな状態再構成のためのセンシング戦略は、通常、同期かつ継続的なアクティブなセンサーを前提としており、運用環境における適用性を著しく制限している。 本研究では,スパークス,非同期,センサの欠如による高次元状態推定を実現するために,浅度再帰デコーダ(SHRED)の文脈でフォールトトレラントなスパース検出戦略を導入する。 具体的には,有意な計算戦略,フォールトトレラント・リカレント・テンポラル・エンコーダを考察し,SHREDが2値データ・アベイラビリティ・マスクを通じてセンサの可利用性を明確化するための4つのトランスフォーマー・ベースのマスキング機構を導入する。 さらに、SHREDのマルチステップ復号学習目標を導入し、よりスムーズな遅延軌道とより堅牢な予測を行う。 人工的なベンチマークと、流体力学と海洋モデリングにおける3つの実世界の問題を通して、我々はそのことを証明した。 一 変圧器によるマスキング機構は、標準計算技術及び耐故障再帰アーキテクチャより優れる。 (二)多段階復号訓練は、異種欠落データパターンの存在下での復元の忠実さと堅牢性を高める。 三 SHREDの計算効率は、追加の推論時間オーバーヘッドを伴わずに保存する。

関連論文リスト

• Sen-Cap: Sensor-Flexible and Noise-Resilient Human Motion Capture via LiDAR-Camera Integration [50.18488308004802]
  Sen-Capは、LiDARとカメラのマルチモーダルデータを統合した3Dモーションキャプチャフレームワークである。 Sen-CapはHuman-M3とFreeMotionの主要なメトリクスで最先端のパフォーマンスを達成する。 この柔軟性と堅牢性の組み合わせは、現実のシナリオにおけるモーションキャプチャの新しい機会を開放する。
  論文  参考訳（メタデータ） (2026-08-03T14:16:18Z)
• Diffuse to Detect: A Generalizable Framework for Anomaly Detection with Diffusion Models Applications to UAVs and Beyond [2.4449457537548036]
  UAVセンサーの読み取りなどの複雑な高次元データにおける異常検出は、運用上の安全性に不可欠である。 本稿では,拡散モデルを適用して異常検出を行うDiffuse to Detect(DTD)フレームワークを提案する。 DTDは1ステップの拡散プロセスを用いてノイズパターンを予測し、再構成エラーのない異常の迅速かつ正確な同定を可能にする。
  論文  参考訳（メタデータ） (2025-10-27T02:08:08Z)
• Quality-Aware Language-Conditioned Local Auto-Regressive Anomaly Synthesis and Detection [30.77558600436759]
  ARAS(ARAS)は、言語条件付き自動回帰異常合成手法である。 トークンアンコールによる遅延編集によって、ローカルでテキスト指定の欠陥を通常の画像に注入する。 欠陥リアリズムを著しく強化し、きめ細かい材料テクスチャを保存し、合成された異常に対して連続的な意味制御を提供する。
  論文  参考訳（メタデータ） (2025-08-05T15:07:32Z)
• Reduced Order Modeling with Shallow Recurrent Decoder Networks [5.686433280542813]
  SHRED-ROMは、数値的に不安定な逆近似を符号化する堅牢な復号のみの戦略である。 SHRED-ROMは、固定センサや移動センサの限られた値から、新しいパラメータ値の状態を正確に再構成する。
  論文  参考訳（メタデータ） (2025-02-15T23:41:31Z)
• Sensor-fusion based Prognostics for Deep-space Habitats Exhibiting Multiple Unlabeled Failure Modes [1.5379084885764847]
  深宇宙の生息地は、地上のメンテナンスなしに長期にわたって自律的に運用しなければならない複雑なシステムである。 これらのシステムは、モード固有の方法で異なるサブシステムやセンサーに影響を与える複数の、しばしば未知の障害モードに対して脆弱である。 本稿では,潜在故障モードを共同で識別し,情報センサを選択する,教師なしの診断フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T01:52:59Z)
• A Robust and Explainable Data-Driven Anomaly Detection Approach For Power Electronics [56.86150790999639]
  本稿では,2つの異常検出・分類手法,すなわち行列プロファイルアルゴリズムと異常変換器を提案する。 行列プロファイルアルゴリズムは、ストリーミング時系列データにおけるリアルタイム異常を検出するための一般化可能なアプローチとして適している。 検知器の感度、リコール、検出精度を調整するために、一連のカスタムフィルタが作成され、追加される。
  論文  参考訳（メタデータ） (2022-09-23T06:09:35Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• The KFIoU Loss for Rotated Object Detection [115.334070064346]
  本稿では,SkewIoU損失とトレンドレベルアライメントを両立できる近似的損失を考案する上で,有効な方法の1つとして論じる。 具体的には、対象をガウス分布としてモデル化し、SkewIoUのメカニズムを本質的に模倣するためにカルマンフィルタを採用する。 KFIoUと呼ばれる新たな損失は実装が容易で、正確なSkewIoUよりもうまく動作する。
  論文  参考訳（メタデータ） (2022-01-29T10:54:57Z)
• Bayesian Autoencoders for Drift Detection in Industrial Environments [69.93875748095574]
  オートエンコーダは、マルチセンサー環境で異常を検出するために使用される教師なしモデルである。 異常は、実際の環境の変化(実際のドリフト)や、故障した感覚デバイス(仮想ドリフト)から生じる。
  論文  参考訳（メタデータ） (2021-07-28T10:19:58Z)

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。