Bayesian Weapon System Reliability Modeling with Cox-Weibull Neural Network

要約

タイトル: コックス・ワイブル・ニューラルネットワークを用いたベイジアン兵器システム信頼性モデリング

要約:

– 兵器システムの特徴（兵器システムメーカー、展開時間と場所、保管時間と場所など）をパラメータ化されたコックス・ワイブル信頼性モデルにニューラルネットワーク（DeepSurvなど）を用いて統合することで、予測保守を改善することを提案する。
– 同様に、ウェイブルパラメータをニューラルネットワークでパラメータ化し、比較のためにモンテカルロ（MC）-離脱法を用いたWeibullパラメータのベイジアンモデルを開発する。
– 兵器システムテストのデータ収集手順により、WeibullパラメータのMCMC（Markov Chain Monte Carlo）サンプリングを勾配降下最適化中に組み込んだ新しい間隔隠れ対数尤度を使用する。
– ROC曲線下面積（AUC）、適合率-再現率（PR）AUC、およびFスコアなどの分類指標を比較し、モデルが一般的にXGBoostや現在の標準的な条件付きWeibull確率密度推定モデルなどの従来の強力なモデルを上回ることを示す。

要約(オリジナル)

We propose to integrate weapon system features (such as weapon system manufacturer, deployment time and location, storage time and location, etc.) into a parameterized Cox-Weibull [1] reliability model via a neural network, like DeepSurv [2], to improve predictive maintenance. In parallel, we develop an alternative Bayesian model by parameterizing the Weibull parameters with a neural network and employing dropout methods such as Monte-Carlo (MC)-dropout for comparative purposes. Due to data collection procedures in weapon system testing we employ a novel interval-censored log-likelihood which incorporates Monte-Carlo Markov Chain (MCMC) [3] sampling of the Weibull parameters during gradient descent optimization. We compare classification metrics such as receiver operator curve (ROC) area under the curve (AUC), precision-recall (PR) AUC, and F scores to show our model generally outperforms traditional powerful models such as XGBoost and the current standard conditional Weibull probability density estimation model.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI