L'IA face aux grands problèmes du monde · Fusion nucléaire et énergie · arXiv · 2026-10-23
Suréchantillonnage synthétique de la classe minoritaire d'inspiration quantique, robuste au bruit, pour la surveillance d'état et la classification des défauts dans les systèmes industriels et énergétiques
Titre original: Noise-Robust Quantum-Inspired Synthetic Minority Oversampling for Condition Monitoring and Fault Classification in Industrial and Energy Systems
Le déséquilibre des classes rend difficile pour l'apprentissage automatique l'apprentissage des motifs de défaillance minoritaires dans la surveillance conditionnelle industrielle. Les auteurs étendent la méthode de suréchantillonnage Quantum SMOTE en ajoutant du bruit directement dans son estimation de similarité fondée sur le swap test, afin de pouvoir tester la robustesse du suréchantillonnage lui-même. Sur quatre jeux de données publics et cinq classifieurs, QSMOTE a amélioré les résultats jusqu'à 170 % sur un jeu de données de pannes de moteur, et les effets du bruit variaient selon le modèle de bruit et le classifieur.