アーカイヴ (arXiv) は2026年9月18日(現地時間)、論文「Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection: Evidence from Laboratory and Variable-Speed Industrial Benchmarks」を公開した。この論文は、機械学習分類器を用いたベアリング故障検知において、不確かさを考慮した新しいアンサンブル分類手法を提唱している。提案手法は、ランダムフォレスト (Random Forest)、XGBoost (XGBoost)、ロジスティック回帰 (Logistic Regression) を組み合わせたアンサンブルモデルをニュートロソフィック分解により4つの指標に分解することで、高確信度の誤りや真に曖昧な予測の混同を防ぐ。
本研究は、ベアリング故障検知のための機械学習分類器が生成するスカラー確信度スコアが、確信度の高い誤りと真に曖昧な予測を混同するという課題を指摘した。研究チームは、ランダムフォレスト、XGBoost、ロジスティック回帰を組み合わせたアンサンブルモデルを「ニュートロソフィック分解」により4つの指標に細分化した。これらの指標は、トップクラスの証拠を示すT-hat、次点競合クラスの証拠を示すF-hat、予測エントロピーI1-hat、そして決定の不一致を示すI2-hatである。
この手法は、CWRUとJNUの2つのベアリングベンチマーク（回転速度600-1000 rpm）で評価された。CWRUデータセットでは、ファイルとクラスのマッピングエラーを修正した後、4つの負荷条件のうち3つで100.00パーセントの精度を達成した（残る1つでは92.27パーセント）。しかしJNUデータセットでは、1000 rpmの条件を評価対象外とすると、精度は40.64パーセントに低下し、多数派クラスのベースラインを下回った。この結果から、ロジスティック回帰はツリーアンサンブルよりも57.91パーセントと高い汎化性能を示した。I1-hatはT-hat/F-hatを超えてエラーとの関連性が高いことを示したが、I2-hatの寄与は小さかった。また、スタンドアロンのロジスティック回帰の確信度が完全な分解を上回るという結果も報告された。
さらに、時間領域モデルと周波数領域モデルを融合し、両者のJensen-Shannon divergenceをスコアリングすることで、モデル自身のエントロピーを上回る結果が得られた（標準分割でAURC 0.29対0.36、より困難な単一条件再現では0.54対0.73）。これは、CWRUとJNU間の分布シフトにおいて、唯一正しく機能した指標であった。CWRU単独では、エンベロープスペクトルを介して正しく復調された文献で検証済みのベアリング故障周波数が、3つの解釈可能な特徴量を用いてほとんどの故障クラスを99.57パーセントの精度で分離した。研究の再現性を確保するため、コード、ログ、および図が公開されている。
参考: arXiv cs.LG — 2026年10月7日 13:00 (JST)
原文ハイライト"Neutrosophic Ensemble Classification for Uncertainty-Aware Bearing Fault Detection"