論文の概要: PrecTime: A Deep Learning Architecture for Precise Time Series Segmentation in Industrial Manufacturing Operations

• arxiv url: http://arxiv.org/abs/2302.10182v1
• Date: Fri, 27 Jan 2023 12:47:27 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-26 14:46:14.787570
• Title: PrecTime: A Deep Learning Architecture for Precise Time Series Segmentation in Industrial Manufacturing Operations
• Title（参考訳）: PrecTime: 工業生産における精密時系列分割のためのディープラーニングアーキテクチャ
• Authors: Stefan Gaugel, Manfred Reichert
• Abstract要約: 本稿では,PrecTimeと呼ばれる時系列セグメンテーションのための新しいシーケンス・ツー・シーケンス深層学習アーキテクチャを提案する。 PrecTimeは、複数のメトリクスに基づいて実装された5つの最先端のベースラインネットワークより優れています。
• 参考スコア（独自算出の注目度）: 3.6713387874278247
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The fourth industrial revolution creates ubiquitous sensor data in production plants. To generate maximum value out of these data, reliable and precise time series-based machine learning methods like temporal neural networks are needed. This paper proposes a novel sequence-to-sequence deep learning architecture for time series segmentation called PrecTime which tries to combine the concepts and advantages of sliding window and dense labeling approaches. The general-purpose architecture is evaluated on a real-world industry dataset containing the End-of-Line testing sensor data of hydraulic pumps. We are able to show that PrecTime outperforms five implemented state-of-the-art baseline networks based on multiple metrics. The achieved segmentation accuracy of around 96% shows that PrecTime can achieve results close to human intelligence in operational state segmentation within a testing cycle.
• Abstract（参考訳）: 第4次産業革命は、工場でユビキタスセンサーデータを生成する。 これらのデータから最大値を生成するには、時間的ニューラルネットワークのような信頼性が高く正確な時系列ベースの機械学習手法が必要である。 本稿では,スライディングウインドウと高密度ラベリング手法の概念と利点を組み合わせた,時系列セグメンテーションのための新しいシーケンス・ツー・シーケンスディープラーニングアーキテクチャであるprectimeを提案する。 汎用アーキテクチャは油圧ポンプのエンドオブライン試験センサデータを含む実世界の産業データセットで評価される。 PrecTimeは、複数のメトリクスに基づいて実装された5つの最先端のベースラインネットワークより優れています。 セグメンテーションの精度は約96%で、テストサイクル内の運用状態セグメンテーションにおいて、PrecTimeが人間のインテリジェンスに近い結果を達成できることを示している。

関連論文リスト

• Generating Synthetic Time Series Data for Cyber-Physical Systems [38.79667612781526]
  データ拡張は、時系列ドメインにおけるディープラーニングアプリケーションの重要なファシリテータである。 文献でギャップを識別し、時系列におけるデータ拡張のためのシークエンスモデルであるトランスフォーマーのスパース探索を実証する。 いくつかの成功した事前をハイブリダイズしたアーキテクチャは、強力な時間領域類似度メトリックを使用してテストされる。
  論文  参考訳（メタデータ） (2024-04-12T16:55:08Z)
• Pushing the Limits of Pre-training for Time Series Forecasting in the CloudOps Domain [54.67888148566323]
  クラウドオペレーションドメインから,大規模時系列予測データセットを3つ導入する。 強力なゼロショットベースラインであり、モデルとデータセットサイズの両方において、さらなるスケーリングの恩恵を受けています。 これらのデータセットと結果を取得することは、古典的および深層学習のベースラインを事前訓練された方法と比較した総合的なベンチマーク結果の集合である。
  論文  参考訳（メタデータ） (2023-10-08T08:09:51Z)
• TSGM: A Flexible Framework for Generative Modeling of Synthetic Time Series [61.436361263605114]
  時系列データは、研究者と産業組織間のデータの共有を妨げるため、しばしば不足または非常に敏感である。 本稿では,合成時系列の生成モデリングのためのオープンソースフレームワークである時系列生成モデリング(TSGM)を紹介する。
  論文  参考訳（メタデータ） (2023-05-19T10:11:21Z)
• PARTIME: Scalable and Parallel Processing Over Time with Deep Neural Networks [68.96484488899901]
  PartIMEは、データが継続的にストリーミングされるたびにニューラルネットワークを高速化するように設計されたライブラリです。 PartIMEは、ストリームから利用可能になった時点で、各データサンプルの処理を開始する。 オンライン学習において、PartialIMEと古典的な非並列ニューラル計算を経験的に比較するために実験が行われる。
  論文  参考訳（メタデータ） (2022-10-17T14:49:14Z)
• Online Data Selection for Federated Learning with Limited Storage [53.46789303416799]
  ネットワークデバイス間での分散機械学習を実現するために、フェデレートラーニング(FL)が提案されている。 デバイス上のストレージがFLの性能に与える影響はまだ調査されていない。 本研究では,デバイス上のストレージを限定したFLのオンラインデータ選択について検討する。
  論文  参考訳（メタデータ） (2022-09-01T03:27:33Z)
• Multivariate Time Series Regression with Graph Neural Networks [0.6124773188525718]
  近年のディープラーニングのグラフへの適用は,様々なグラフ関連タスクにおいて有望な可能性を示している。 しかし,これらの手法は時系列関連タスクにはあまり適用されていない。 本研究では,これらの長いシーケンスを多変量時系列回帰タスクで処理できるアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-01-03T16:11:46Z)
• Homological Time Series Analysis of Sensor Signals from Power Plants [0.0]
  我々は、トポロジカルデータ解析技術を用いて、発電所全体のセンサ信号を学習するタスクに適したニューラルネットワーク分類器を構築する。 我々は1次元の深い畳み込み層と、積み重ねられた長い短期記憶を組み合わせたアーキテクチャを導出する。 検証のために, 同一建設方式の4つの発電所のセンサデータを用いて数値実験を行った。
  論文  参考訳（メタデータ） (2021-06-03T10:52:47Z)
• Deep Cellular Recurrent Network for Efficient Analysis of Time-Series Data with Spatial Information [52.635997570873194]
  本研究では,空間情報を用いた複雑な多次元時系列データを処理するための新しいディープセルリカレントニューラルネットワーク(DCRNN)アーキテクチャを提案する。 提案するアーキテクチャは,文献に比較して,学習可能なパラメータをかなり少なくしつつ,最先端の性能を実現している。
  論文  参考訳（メタデータ） (2021-01-12T20:08:18Z)
• Deep learning for time series classification [2.0305676256390934]
  時系列分析により、時間の経過とともにプロセスの進化を可視化し、理解することができます。 時系列分類は時系列データを自動的にラベル付けするアルゴリズムで構成されている。 ディープラーニングは、教師付き分類タスクに対処する最も効果的な方法の1つとして登場した。
  論文  参考訳（メタデータ） (2020-10-01T17:38:40Z)
• One-step regression and classification with crosspoint resistive memory arrays [62.997667081978825]
  高速で低エネルギーのコンピュータは、エッジでリアルタイム人工知能を実現するために要求されている。 ワンステップ学習は、ボストンの住宅のコスト予測と、MNIST桁認識のための2層ニューラルネットワークのトレーニングによって支援される。 結果は、クロスポイントアレイ内の物理計算、並列計算、アナログ計算のおかげで、1つの計算ステップで得られる。
  論文  参考訳（メタデータ） (2020-05-05T08:00:07Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。