アーカイヴ、ベアリング故障検知で不確かさ考慮した新手法を提唱
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。