論文の概要: PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction

• arxiv url: http://arxiv.org/abs/2507.22840v1
• Date: Wed, 30 Jul 2025 16:56:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-31 16:14:18.347619
• Title: PAF-Net: Phase-Aligned Frequency Decoupling Network for Multi-Process Manufacturing Quality Prediction
• Title（参考訳）: PAF-Net:多工程製造品質予測のための位相調整周波数デカップリングネットワーク
• Authors: Yang Luo, Haoyang Luan, Haoyun Pan, Yongquan Jia, Xiaofeng Gao, Guihai Chen,
• Abstract要約: 周波数分離時系列予測フレームワークであるPAF-Netを提案する。 周波数領域エネルギーで導かれる位相相関アライメント法による時間差品質系列の同期 離散コサイン変換(DCT)分解と組み合わせた周波数独立型パッチアテンション機構により不均一な操作特徴を捉える。 4つの実世界のデータセットの実験は、PAF-Netの優位性を示している。
• 参考スコア（独自算出の注目度）: 29.64140868907608
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Accurate quality prediction in multi-process manufacturing is critical for industrial efficiency but hindered by three core challenges: time-lagged process interactions, overlapping operations with mixed periodicity, and inter-process dependencies in shared frequency bands. To address these, we propose PAF-Net, a frequency decoupled time series prediction framework with three key innovations: (1) A phase-correlation alignment method guided by frequency domain energy to synchronize time-lagged quality series, resolving temporal misalignment. (2) A frequency independent patch attention mechanism paired with Discrete Cosine Transform (DCT) decomposition to capture heterogeneous operational features within individual series. (3) A frequency decoupled cross attention module that suppresses noise from irrelevant frequencies, focusing exclusively on meaningful dependencies within shared bands. Experiments on 4 real-world datasets demonstrate PAF-Net's superiority. It outperforms 10 well-acknowledged baselines by 7.06% lower MSE and 3.88% lower MAE. Our code is available at https://github.com/StevenLuan904/PAF-Net-Official.
• Abstract（参考訳）: マルチプロセス製造における正確な品質予測は, 産業効率において重要であるが, プロセス間相互作用, 混在周期の重複操作, 共有周波数帯域におけるプロセス間依存性の3つの主要な課題によって妨げられている。 そこで本研究では,周波数領域エネルギーで導かれる位相相関アライメント手法を用いて,時間ラグ品質系列を同期させ,時間的ミスアライメントを解消する,周波数分離時系列予測フレームワーク PAF-Net を提案する。 2) 離散コサイン変換(DCT)分解と組み合わせた周波数独立型パッチアテンション機構により, 個別系列内の不均一な操作特徴を捉える。 (3)周波数分離型クロスアテンションモジュールは、非関連周波数からのノイズを抑圧し、共有帯域内の有意義な依存関係にのみ焦点をあてる。 4つの実世界のデータセットの実験は、PAF-Netの優位性を示している。 MSEが7.06%低下し、MAEが3.88%低下する。 私たちのコードはhttps://github.com/StevenLuan904/PAF-Net-Official.comで公開されています。

関連論文リスト

• FADPNet: Frequency-Aware Dual-Path Network for Face Super-Resolution [70.61549422952193]
  計算コストの制限による顔超解像(FSR)は未解決の問題である。 既存のアプローチでは、全ての顔のピクセルを等しく扱い、計算資源を最適以下に割り当てる。 本稿では、低周波成分と高周波成分に顔の特徴を分解する周波数対応デュアルパスネットワークであるFADPNetを提案する。
  論文  参考訳（メタデータ） (2025-06-17T02:33:42Z)
• MFRS: A Multi-Frequency Reference Series Approach to Scalable and Accurate Time-Series Forecasting [51.94256702463408]
  時系列予測は、周波数の異なる周期特性から導かれる。 マルチ周波数参照系列相関解析に基づく新しい時系列予測手法を提案する。 主要なオープンデータセットと合成データセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-03-11T11:40:14Z)
• ReFocus: Reinforcing Mid-Frequency and Key-Frequency Modeling for Multivariate Time Series Forecasting [12.604476544895762]
  この研究は、畳み込みと残留学習に基づく新しい適応中周波数エネルギーを導入し、中周波数帯域の重要性を強調した。 各チャネルに他のチャネルからのスペクトル情報をランダムに導入するキー周波数モデリングをさらに強化するために、新しいキー周波数拡張訓練戦略が採用されている。 提案手法は,従来のSOTA iTransformerと比較してMSEを4%, 6%, 5%削減し, トラヒック, ECL, ソーラーベンチマークの多変量時系列予測を推し進めた。
  論文  参考訳（メタデータ） (2025-02-24T06:40:33Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• CATCH: Channel-Aware multivariate Time Series Anomaly Detection via Frequency Patching [24.927390742543707]
  周波数パッチに基づくフレームワークであるCATCHを紹介する。 本稿では,パッチワイドマスクジェネレータとマスクアテンション機構を備えたChannel Fusion Module (CFM)を提案する。 10の現実世界のデータセットと12の合成データセットの実験は、CATCHが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2024-10-16T05:58:55Z)
• Frequency-domain MLPs are More Effective Learners in Time Series Forecasting [67.60443290781988]
  時系列予測は、金融、交通、エネルギー、医療など、さまざまな産業領域において重要な役割を果たしてきた。 最多ベースの予測手法は、ポイントワイドマッピングと情報のボトルネックに悩まされる。 本稿では、時系列予測のための周波数領域上に構築された、シンプルで効果的なアーキテクチャであるFreTSを提案する。
  論文  参考訳（メタデータ） (2023-11-10T17:05:13Z)
• Generative Time Series Forecasting with Diffusion, Denoise, and Disentanglement [51.55157852647306]
  時系列予測は多くのアプリケーションにおいて非常に重要な課題である。 実世界の時系列データが短時間に記録されることが一般的であり、これはディープモデルと限られたノイズのある時系列との間に大きなギャップをもたらす。 本稿では,生成モデルを用いた時系列予測問題に対処し,拡散,雑音,ゆがみを備えた双方向変分自動エンコーダを提案する。
  論文  参考訳（メタデータ） (2023-01-08T12:20:46Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)

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。