Diffusion Partition Consensus: Diffusion-Aided Time-of-Flight Estimates, Anomaly Detection, and Localization for Ultrasonic Nondestructive Evaluation Data
Notice bibliographique
Résumé
Diffusion partition consensus is a novel generative AI-based technique for time-series anomaly detection and data imputation in the presence of outliers. To illustrate the method, an implementation with design choices tailored for well-structured time series typical of single probe ultrasonic nondestructive evaluation (NDE) datasets is proposed. The technique relies on cross-talk between a conditional score-based diffusion model, and two well-chosen Savitzky-Golay filters. Testing and evaluation are performed on a series of progressively information rich synthetic datasets, and on real-world ultrasonic NDE datasets taken from a Canada Deuterium Uranium nuclear reactor pressure tube and calibration fixture. The iterative technique is a blend of stochastic and deterministic methods that uses confidence and consensus of target parameter estimates to update several data classifying partitions over the dataset, which in turn allows a new set of estimates and confidence measures to be established. Data classification induces a progressive bias in the training datasets allowing a diffusion model to identify the prevalent distribution. Methods for fault diagnosis support the efficacious inclusion of a human in the loop making the technique suitable for use in safety-critical applications. The main advantages of the technique are that it is unsupervised—in that it does not require labeled datasets or significant data preprocessing, does not rely on out-of-distribution generalization, provides means for fault diagnosis without recourse to ground truth, converges with stability, and naturally includes a human in the loop. The quality of results, the checks and balances provided by the fault diagnosis mechanism, and the opportunity to include a human in the loop, support the case for usage in safety-critical contexts such as NDE at a nuclear power facility.
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.
Comment cette classification a été obtenuedéplier
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».