Core Concepts
本論文では、サイバーフィジカルシステムの時間到達事象分析のために、事前学習、プロンプトチューニング、転移学習を組み合わせた不確実性対応型のデジタルツイン進化手法PPTを提案する。
Abstract
本論文では、サイバーフィジカルシステム(CPS)の時間到達事象(TTE)分析のための不確実性対応型デジタルツイン(DT)進化手法PPTを提案している。
まず、データ処理コンポーネントでは、不確実性量化(UQ)手法を用いて最も不確実性の高いサンプルを選択し、マルチヘッド注意機構によってコンテキスト情報を保持する。次に、デジタルツインコンポーネントでは、事前学習したDTMを用いて、ターゲットCPSのDTを構築する。転移学習コンポーネントでは、ソースDTとターゲットDTの中間表現を共有空間に写像し、マージナルロスと条件付きロスを最小化することで、知識の転移を行う。さらに、プロンプトチューニングを導入し、ターゲットドメインの特徴を効果的に学習する。
本手法を、エレベーターシステムと自動運転システムの2つのCPSケーススタディに適用した結果、以下の知見が得られた:
PPTは、ベースラインと比較して、エレベーターシステムで平均7.31、自動運転システムで平均12.58のHuber損失の改善を示した。
転移学習は、Huber損失を最大21.32改善し、非常に効果的であることが示された。
プロンプトチューニングとUQも、それぞれ3.14と4.08のHuber損失改善に寄与することが確認された。
3つのUQ手法の中では、アンサンブル法が最も優れた性能を示した。
以上より、PPTは、CPSの時間到達事象分析において、優れた性能と効率性を発揮することが実証された。
Stats
エレベーターシステムの場合:
UpBest→LunchBestの場合、PPTはRISE-DTと比べて、Huber損失を7.75低減した。
LunchBest→UpBestの場合、PPTはRISE-DTと比べて、Huber損失を5.70低減した。
LunchWorse→LunchBestの場合、PPTはRISE-DTと比べて、Huber損失を6.16低減した。
UpWorse→UpBestの場合、PPTはRISE-DTと比べて、Huber損失を9.62低減した。
自動運転システムの場合:
Simple→Complexの場合、PPTはRISE-DTと比べて、Huber損失を14.41低減した。
Complex→Simpleの場合、PPTはRISE-DTと比べて、Huber損失を10.75低減した。