Metodi di incertezza del machine learning per la previsione della temperatura delle turbine
Un nuovo articolo su arXiv (2605.30585) confronta cinque metodi di quantificazione dell'incertezza del machine learning per prevedere il degrado della temperatura del gas delle turbine nei motori moderni. I metodi—Delta method, Bayesian Monte Carlo Dropout, Bootstrap, Lower-Upper Bound Estimation e Mean-Variance Estimation—sono valutati all'interno di un quadro unificato utilizzando convalida incrociata, suddivisioni ripetute train-test e molteplici metriche tra cui Coverage Probability, Normalized Mean Prediction Interval Width e Coverage Width-based Criterion. Lo studio mira a migliorare la prognostica e la gestione della salute garantendo previsioni affidabili e sicure.
Fatti principali
- L'articolo arXiv:2605.30585 confronta cinque metodi di quantificazione dell'incertezza per la previsione della temperatura del gas delle turbine.
- Metodi: Delta method, Bayesian Monte Carlo Dropout, Bootstrap, Lower-Upper Bound Estimation, Mean-Variance Estimation.
- Quadro unificato che utilizza la convalida incrociata per la selezione degli iperparametri.
- Suddivisioni ripetute train-test per valutare la robustezza delle prestazioni.
- Metriche: Coverage Probability, Normalized Mean Prediction Interval Width, Coverage Width-based Criterion.
- Obiettivo: migliorare la prognostica e la gestione della salute dei motori moderni.
- Focus sull'accuratezza e sulla ristrettezza degli intervalli di previsione.
- Vengono utilizzate previsioni della temperatura del gas delle turbine basate su reti neurali.
Entità
Istituzioni
- arXiv