航空機のヘルス診断における安全性と効率の両立：異種の長マイクロスケール・カスケードと知識蒸留に基づく解釈性のためのタスク分解フレームワーク

要旨: 一般航空における機体全体の診断は、データ不確実性、作業の多様性、計算効率の非効率という三重の課題に直面している。既存のエンドツーエンド手法は、健康状態の識別と故障の特性化を一様にモデル化する一方で、グローバルな文脈モデリングと局所的な特徴抽出の間に内在する受容野（receptive field）の競合を見落としており、さらに重度のクラス不均衡下では、学習コストが過大になってしまう。これらに対処するため、本研究では、Long-Micro Scale Diagnostician（LMSD）を用いた診断分解フレームワーク（Diagnosis Decomposition Framework: DDF）を提案する。DDFは、診断をAnomaly Detection（AD：異常検知）とFault Classification（FC：故障分類）のサブタスクに明確に分離し、LMSDによってこれを実現する。 「長距離のグローバルなスクリーニングと、マイクロスケールの局所的な精密診断」という戦略を採用し、LMSDは、Convolutional Tokenizer with Multi-Head Self-Attention（ConvTokMHSA）を用いてグローバルな運用パターンの識別を行い、Multi-Micro Kernel Network（MMK Net）によって局所的な故障特徴の抽出を行う。分離された学習は、「大規模サンプルの軽量」および「少数サンプルの複雑」という二つの最適化経路を分けることで、計算オーバーヘッドを大幅に削減する。同時に、知識蒸留によるKeyness Extraction Layer（KEL）を通じて、二段階の意思決定に対して物理的に追跡可能な説明を与え、解釈可能性を設計に組み込む（interpretability-by-design）ことを実現する。NGAFIDの実世界航空データセットでの実験により、多クラス重み付きペナルティ指標（Multi-Class Weighted Penalty Metric: MCWPM）においてベースラインに対して約4〜8%の改善が示され、さらに学習時間は大幅に短縮された。タスク適応性、解釈可能性、効率性における包括的な利点が検証された。これにより、一般航空のヘルス管理に対して導入可能な手法が提供される。