構造モニタリングデータに対する外れ値に強い条件付き拡散モデルによる確率的データ品質評価

概要: データ品質評価は、その後に行われる構造健全性モニタリング（SHM）タスクの信頼性を確保するための重要なステップである。本研究では、単変量の暗黙的自己回帰モデルを用いた予測偏差ベースのSHMデータ品質評価手法を提案し、外れ値診断とデータクリーニングを可能にする。提案する条件付き拡散モデル（CDM）は、標準的な拡散モデルを条件埋め込みモジュールで拡張して時間的文脈を取り込み、分布の歪みを緩和するための四分位正規化、さらに外れ値に対する頑健性を高めるためのHuber損失を導入する。この単変量の暗黙的自己回帰の枠組みでは、各データ点に外れ値確率が割り当てられ、すなわち「外れ値らしさ」の程度が定量化され、さらにデータセット全体の品質を特徴づけるためのグローバルな品質評価スコアが計算される。実世界の構造から得られた運用データを用いた広範なケーススタディにより、提案枠組みがデータ品質評価の精度を大幅に向上させることが示され、クラスタリング、分離（アイソレーション）ベース、深層再構成手法を代表する他の強力なベースラインを上回る。提案枠組みの有効性と頑健性は、アブレーション実験およびハイパーパラメータ分析の結果によってもさらに実証される。