Hierarchical Bayesian Modelling for Knowledge Transfer Across Engineering Fleets via Multitask Learning

要約

インフラストラクチャーの予測モデルを構築する際に、データの希少性に対処するための集団レベルの分析が提案されている。解釈可能な階層的ベイズアプローチと運用中の車両データを利用し、(i)使用タイプ、(ii)コンポーネント、(iii)運転状態を表す異なるサブグループ間で、ドメインの専門知識が自然に符号化（および適切に共有）される。具体的には、ドメインの専門知識は、仮定（および事前分布）を介してモデルを制約するために利用され、方法論が類似の資産間で自動的に情報を共有し、トラックフリートの生存分析と風力発電所の電力予測を改善することができます。各資産管理の例では、相関関数のセットが、集団モデルを学習するために、複合推論で、フリートに対して学習される。サブフリートが階層の異なるレベルで相関情報を共有することで、パラメータ推定が改善されます。その結果、データが不完全なグループは、データが豊富なグループから統計的な強みを自動的に借りることができる。統計的な相関関係は、ベイズ転移学習による知識の移転を可能にし、相関関係を検査することで、どの資産がどのような効果（＝パラメータ）に対して情報を共有しているかを知ることができます。両ケーススタディは、このアプローチが、異なる現場事例の解釈可能なフリートモデル間で自然に適応されるため、実用的なインフラモニタリングへの幅広い適用可能性を示しています。

要約(オリジナル)

A population-level analysis is proposed to address data sparsity when building predictive models for engineering infrastructure. Utilising an interpretable hierarchical Bayesian approach and operational fleet data, domain expertise is naturally encoded (and appropriately shared) between different sub-groups, representing (i) use-type, (ii) component, or (iii) operating condition. Specifically, domain expertise is exploited to constrain the model via assumptions (and prior distributions) allowing the methodology to automatically share information between similar assets, improving the survival analysis of a truck fleet and power prediction in a wind farm. In each asset management example, a set of correlated functions is learnt over the fleet, in a combined inference, to learn a population model. Parameter estimation is improved when sub-fleets share correlated information at different levels of the hierarchy. In turn, groups with incomplete data automatically borrow statistical strength from those that are data-rich. The statistical correlations enable knowledge transfer via Bayesian transfer learning, and the correlations can be inspected to inform which assets share information for which effect (i.e. parameter). Both case studies demonstrate the wide applicability to practical infrastructure monitoring, since the approach is naturally adapted between interpretable fleet models of different in situ examples.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL