Just-in-time framework for robust soft sensing based on robust variational autoencoder
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
Modeling with high-dimensional data subject to abnormal observations have always been a practical interest. In this paper, under the just-in-time learning (JITL) framework, a robust soft sensor modeling approach is developed based on robust Variational Autoencoder (VAE). Unlike the vanilla VAE that extracts features from the given dataset under the Gaussian prior assumption, robust VAE employs Student’s t-distribution as prior distribution to handle abnormal data. Under assumption of the Student’s t-prior, the proposed robust VAE model is capable of describing collected data contaminated with outliers. Once the robust VAE model is trained, each robust feature variable in the latent space can be determined. Subsequently, similarity measure is calculated using robust Kullback-Leibler divergence between two Student’s t-distributions, that is, the distribution of a new data sample and that of each historical data sample. After completing similarity measurement for a query sample, the weights for input-output historical data can be determined. Based on these weighted historical data samples, a robust probabilistic principal component regression (PPCR) is utilized to perform local modeling for prediction. Numerical simulations, including the Tennessee Eastman and Penicillin fermentation benchmark processes, are utilized to validate the proposed JITL-based robust soft sensor modeling method. • Under the JITL framework, a robust soft sensor modeling approach is developed based on robust VAE. • Once the robust VAE model is trained, each robust feature variable in the latent space can be determined. • Numerical simulations and two processes are utilized to validate the effectiveness of the proposed method.
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 | 0,001 | 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