論文の概要: Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series

• arxiv url: http://arxiv.org/abs/2510.20718v1
• Date: Thu, 23 Oct 2025 16:33:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.418005
• Title: Unsupervised Anomaly Prediction with N-BEATS and Graph Neural Network in Multi-variate Semiconductor Process Time Series
• Title（参考訳）: 多変量半導体プロセス時系列におけるN-BEATSとグラフニューラルネットワークによる教師なし異常予測
• Authors: Daniel Sorensen, Bappaditya Dey, Minjin Hwang, Sandip Halder,
• Abstract要約: 半導体製造における異常予測には いくつか重要な課題があります 変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では,異常検出から異常予測まで,新たな2つのアプローチを提案する。
• 参考スコア（独自算出の注目度）: 1.0874100424278175
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Semiconductor manufacturing is an extremely complex and precision-driven process, characterized by thousands of interdependent parameters collected across diverse tools and process steps. Multi-variate time-series analysis has emerged as a critical field for real-time monitoring and fault detection in such environments. However, anomaly prediction in semiconductor fabrication presents several critical challenges, including high dimensionality of sensor data and severe class imbalance due to the rarity of true faults. Furthermore, the complex interdependencies between variables complicate both anomaly prediction and root-cause-analysis. This paper proposes two novel approaches to advance the field from anomaly detection to anomaly prediction, an essential step toward enabling real-time process correction and proactive fault prevention. The proposed anomaly prediction framework contains two main stages: (a) training a forecasting model on a dataset assumed to contain no anomalies, and (b) performing forecast on unseen time series data. The forecast is compared with the forecast of the trained signal. Deviations beyond a predefined threshold are flagged as anomalies. The two approaches differ in the forecasting model employed. The first assumes independence between variables by utilizing the N-BEATS model for univariate time series forecasting. The second lifts this assumption by utilizing a Graph Neural Network (GNN) to capture inter-variable relationships. Both models demonstrate strong forecasting performance up to a horizon of 20 time points and maintain stable anomaly prediction up to 50 time points. The GNN consistently outperforms the N-BEATS model while requiring significantly fewer trainable parameters and lower computational cost. These results position the GNN as promising solution for online anomaly forecasting to be deployed in manufacturing environments.
• Abstract（参考訳）: 半導体製造は非常に複雑で精度の高いプロセスであり、様々なツールやプロセスステップにまたがる数千の相互依存パラメータが特徴である。 多変量時系列解析は,このような環境下でのリアルタイムモニタリングや故障検出において重要な分野として浮上している。 しかし、半導体製造における異常予測は、センサデータの高次元性や真断層の希少性によるクラス不均衡など、いくつかの重要な課題を呈している。 さらに、変数間の複雑な相互依存性は、異常予測と根本原因分析の両方を複雑にする。 本稿では, 異常検出から異常予測まで, 現場を前進させる2つの新しいアプローチを提案する。 提案する異常予測フレームワークは,2つの主要な段階を含む。 (a)異常のないと想定されたデータセット上で予測モデルを訓練し、 (b)見知らぬ時系列データの予測を行う。 予測は、訓練された信号の予測と比較される。 予め定義されたしきい値を超える偏差は、異常としてフラグ付けされる。 2つのアプローチは、採用される予測モデルが異なる。 まず、N-BEATSモデルを用いて変数間の独立性を仮定し、一変量時系列予測を行う。 2つ目は、グラフニューラルネットワーク(GNN)を使用して、変数間の関係をキャプチャすることで、この仮定を取り上げる。 どちらのモデルも、20のタイムポイントまでの強い予測性能を示し、50のタイムポイントまでの安定した異常予測を維持する。 GNNは、トレーニング可能なパラメータを著しく少なくし、計算コストを低くしながら、一貫してN-BEATSモデルを上回っている。 これらの結果は、GNNを製造環境に展開するオンライン異常予測のための有望な解決策と位置づけている。

関連論文リスト

• Revisiting Multivariate Time Series Forecasting with Missing Values [74.56971641937771]
  現実の時系列では欠落値が一般的である。 現在のアプローチでは、計算モジュールを使用して、不足した値を補う、計算済みの予測フレームワークが開発されている。 このフレームワークは、致命的な問題を見落としている: 欠落した値に対して基礎的な真理は存在せず、予測精度を劣化させる可能性のあるエラーの影響を受けやすいようにしている。 本稿では,Information Bottleneck原則に基づく新しいフレームワークであるConsistency-Regularized Information Bottleneck(CRIB)を紹介する。
  論文  参考訳（メタデータ） (2025-09-27T20:57:48Z)
• UQGNN: Uncertainty Quantification of Graph Neural Networks for Multivariate Spatiotemporal Prediction [16.878550125093913]
  既存のモデルは決定論的であり、不確実性を定量化せずに予測される平均値のみを予測する。 ニューラル化のためのUQGNNと呼ばれる不確かさを定量化したグラフネットワークを提案する。 UQGNNは、予測精度と不確実性定量化の両方において、最先端のベースラインを一貫して上回る。
  論文  参考訳（メタデータ） (2025-08-12T01:40:05Z)
• A Self-organizing Interval Type-2 Fuzzy Neural Network for Multi-Step Time Series Prediction [9.546043411729206]
  インターバル型2ファジィニューラルネットワーク(IT2FNN)は、単一ステップ予測タスクに対する不確実性モデリングにおいて、例外的な性能を示した。 本稿では,複数出力(SOIT2FNN-MO)を有する新しい自己組織化間隔型2ファジィニューラルネットワークを提案する。 カオスおよびマイクログリッド予測問題に対する実験結果から,SOIT2FNN-MOは最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-10T19:35:44Z)
• Graph Spatiotemporal Process for Multivariate Time Series Anomaly Detection with Missing Values [67.76168547245237]
  本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。 実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
  論文  参考訳（メタデータ） (2024-01-11T10:10:16Z)
• From Reactive to Proactive Volatility Modeling with Hemisphere Neural Networks [0.0]
  我々は,新しいニューラルネットワークアーキテクチャを用いて,マクロ経済密度予測のための最大推定値(MLE)を再活性化する。 ヘミスフィアニューラルネットワーク(HNN)は、可能時の主指標に基づく積極的なボラティリティ予測と、必要時の過去の予測誤差の大きさに基づく反応性ボラティリティ予測を提供する。
  論文  参考訳（メタデータ） (2023-11-27T21:37:50Z)
• Uncovering the Missing Pattern: Unified Framework Towards Trajectory Imputation and Prediction [60.60223171143206]
  軌道予測は、観測されたシーケンスから実体運動や人間の行動を理解する上で重要な作業である。 現在の方法では、観測されたシーケンスが完了したと仮定し、欠落した値の可能性を無視する。 本稿では,グラフに基づく条件変動リカレントニューラルネットワーク (GC-VRNN) の統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T14:27:27Z)
• Probabilistic AutoRegressive Neural Networks for Accurate Long-range Forecasting [6.295157260756792]
  確率的自己回帰ニューラルネットワーク(PARNN)について紹介する。 PARNNは、非定常性、非線形性、非調和性、長距離依存、カオスパターンを示す複雑な時系列データを扱うことができる。 本研究では,Transformers,NBeats,DeepARなどの標準統計モデル,機械学習モデル,ディープラーニングモデルに対して,PARNNの性能を評価する。
  論文  参考訳（メタデータ） (2022-04-01T17:57:36Z)
• When in Doubt: Neural Non-Parametric Uncertainty Quantification for Epidemic Forecasting [70.54920804222031]
  既存の予測モデルは不確実な定量化を無視し、誤校正予測をもたらす。 不確実性を考慮した時系列予測のためのディープニューラルネットワークの最近の研究にもいくつかの制限がある。 本稿では,予測タスクを確率的生成過程としてモデル化し,EPIFNPと呼ばれる機能的ニューラルプロセスモデルを提案する。
  論文  参考訳（メタデータ） (2021-06-07T18:31:47Z)
• Learning Interpretable Deep State Space Model for Probabilistic Time Series Forecasting [98.57851612518758]
  確率的時系列予測は、その歴史に基づいて将来の分布を推定する。 本稿では,非線形エミッションモデルと遷移モデルとをネットワークによってパラメータ化した,確率的時系列予測のための深部状態空間モデルを提案する。 実験では,我々のモデルが正確かつ鋭い確率予測を生成することを示す。
  論文  参考訳（メタデータ） (2021-01-31T06:49:33Z)
• Stochastically forced ensemble dynamic mode decomposition for forecasting and analysis of near-periodic systems [65.44033635330604]
  本稿では,観測力学を強制線形系としてモデル化した新しい負荷予測手法を提案する。 固有線型力学の利用は、解釈可能性やパーシモニーの観点から、多くの望ましい性質を提供することを示す。 電力グリッドからの負荷データを用いたテストケースの結果が提示される。
  論文  参考訳（メタデータ） (2020-10-08T20:25:52Z)

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。