Inference Techniques for Diagnosis Based on Set Operations
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
*† State identification is a crucial function in an autonomous system. The result of state identification is the basis for fault diagnosis and autonomous planning in an autonomous agent. NASA has developed Livingstone to perform state tracking, which is the kernel in their remote autonomous agent. The Remote Agent has been successfully tested in Deep Space One spacecraft. The theory behind Livingstone is based on General Diagnostic Engine (GDE) which aims to detect all possible states. On the other hand, Livingstone only tracks several most possible states. Based on this observation, we believe that GDE is computationally too intensive for state identification in spacecraft subsystem diagnosis. We have also observed that the number of sensors is relatively smaller than the number of components in a system. This motivated us to develop a symptom driven state-tracking algorithm which reduces the memory requirement and increases the execution speed. In this paper, we analyze simple examples and summarize characteristics of an autonomous system which can help simplify the diagnosis. Given a structural and behavioral model of a system, we can use techniques from set theory to diagnose faults. The diagnosis process is triggered by a discrepancy between the observation and the model prediction. Our method avoids the exponential computational problem faced by the traditional approaches such as GDE. Probability theory is used to support our approach and a command-based probing (configuration) technique is also discussed. A diagnosis system is implemented based on our technique and applied to a simple spacecraft propulsion subsystem diagnosis.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle