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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,010 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,001 |
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 source (Gemma direct ou Codex distillé), 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 ».