--- format: "aidr-story-markdown/v1" id: "7b350c4dafe600daf645a71902ce69d1b56ba73d27336271df12e4d34cf53f92" canonical_url: "https://aidr.today/7b350c4d?lang=vi" title: "Phân loại ensemble neutrosophic để phát hiện lỗi ổ bi nhận thức độ bất định: Bằng chứng từ các benchmark công nghiệp trong phòng thí nghiệm và tốc độ biến thiên" lang: "vi" requested_lang: "vi" available_langs: ["en","vi"] translation_fallback: null fallback_fields: [] published_at: "2026-10-07T04:00:00.000Z" category: "Research" topics: ["inference"] source_urls: ["https://arxiv.org/abs/2610.06880"] summary: "Các bộ phân loại machine learning dùng để phát hiện lỗi ổ bi tạo ra điểm độ tin cậy dạng vô hướng, gộp chung các lỗi tự tin với các dự đoán thực sự mập mờ, đồng thời cặp đúng/sai quy ước (F = 1 - T) bị dư thừa về mặt đại số theo cấu trúc. Nhóm tác giả hiện thực hóa việc phân rã neutrosophic tinh chỉnh của một ensemble gồm Random Forest + XGBoost + Logistic Regression thành bốn chỉ số -- T-hat (bằng chứng lớp cao nhất), F-hat (bằng chứng đối thủ tốt nhất), entropy dự đoán I1-hat, và sự bất đồng quyết định I2-hat -- được đánh giá trên hai benchmark ổ bi (CWRU và JNU, 600-1000 vòng/phút) theo giao thức leave-one-condition-out. Trên CWRU, sau khi sửa lỗi ánh xạ file sang lớp, ensemble đạt độ chính xác 100,00 phần trăm trên ba trong số bốn tải trọng được giữ lại (92,27 phần trăm trên tải trọng thứ tư), để lại quá ít lỗi cho việc phân tích độ bất định. Trên JNU, khi giữ lại mức 1000 vòng/phút, độ chính xác sụt giảm xuống còn 40,64 phần trăm, thấp hơn đường cơ sở lớp đa số; Logistic Regression (57,91 phần trăm) tổng quát hóa tốt hơn nhiều so với các tree ensemble." --- # Phân loại ensemble neutrosophic để phát hiện lỗi ổ bi nhận thức độ bất định: Bằng chứng từ các benchmark công nghiệp trong phòng thí nghiệm và tốc độ biến thiên > [Open the canonical story]() **Published:** 2026-10-07T04:00:00.000Z **Category:** Research **Topics:** inference ## Summary Các bộ phân loại machine learning dùng để phát hiện lỗi ổ bi tạo ra điểm độ tin cậy dạng vô hướng, gộp chung các lỗi tự tin với các dự đoán thực sự mập mờ, đồng thời cặp đúng/sai quy ước \(F \= 1 \- T\) bị dư thừa về mặt đại số theo cấu trúc\. Nhóm tác giả hiện thực hóa việc phân rã neutrosophic tinh chỉnh của một ensemble gồm Random Forest \+ XGBoost \+ Logistic Regression thành bốn chỉ số \-\- T\-hat \(bằng chứng lớp cao nhất\), F\-hat \(bằng chứng đối thủ tốt nhất\), entropy dự đoán I1\-hat, và sự bất đồng quyết định I2\-hat \-\- được đánh giá trên hai benchmark ổ bi \(CWRU và JNU, 600\-1000 vòng/phút\) theo giao thức leave\-one\-condition\-out\. Trên CWRU, sau khi sửa lỗi ánh xạ file sang lớp, ensemble đạt độ chính xác 100,00 phần trăm trên ba trong số bốn tải trọng được giữ lại \(92,27 phần trăm trên tải trọng thứ tư\), để lại quá ít lỗi cho việc phân tích độ bất định\. Trên JNU, khi giữ lại mức 1000 vòng/phút, độ chính xác sụt giảm xuống còn 40,64 phần trăm, thấp hơn đường cơ sở lớp đa số; Logistic Regression \(57,91 phần trăm\) tổng quát hóa tốt hơn nhiều so với các tree ensemble\. ## Sources - [Story source]()