論文の概要: FaultDiffusion: Few-Shot Fault Time Series Generation with Diffusion Model

• arxiv url: http://arxiv.org/abs/2511.15174v1
• Date: Wed, 19 Nov 2025 06:53:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.66962
• Title: FaultDiffusion: Few-Shot Fault Time Series Generation with Diffusion Model
• Title（参考訳）: 故障拡散:拡散モデルを用いたFew-Shot故障時系列生成
• Authors: Yi Xu, Zhigang Chen, Rui Wang, Yangfan Li, Fengxiao Tang, Ming Zhao, Jiaqi Liu,
• Abstract要約: 故障診断はシステムの信頼性を確保し、予測保守を可能にするために重要である。 豊富な正規データに最適化された既存の時系列生成モデルは、数ショットのシナリオで障害分布のキャプチャに苦労する。 拡散モデルに基づく新しい数ショットの故障時系列生成フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 18.6566004479231
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In industrial equipment monitoring, fault diagnosis is critical for ensuring system reliability and enabling predictive maintenance. However, the scarcity of fault data, due to the rarity of fault events and the high cost of data annotation, significantly hinders data-driven approaches. Existing time-series generation models, optimized for abundant normal data, struggle to capture fault distributions in few-shot scenarios, producing samples that lack authenticity and diversity due to the large domain gap and high intra-class variability of faults. To address this, we propose a novel few-shot fault time-series generation framework based on diffusion models. Our approach employs a positive-negative difference adapter, leveraging pre-trained normal data distributions to model the discrepancies between normal and fault domains for accurate fault synthesis. Additionally, a diversity loss is introduced to prevent mode collapse, encouraging the generation of diverse fault samples through inter-sample difference regularization. Experimental results demonstrate that our model significantly outperforms traditional methods in authenticity and diversity, achieving state-of-the-art performance on key benchmarks.
• Abstract（参考訳）: 産業機器の監視において、故障診断はシステムの信頼性を確保し、予測保守を可能にするために重要である。 しかし、フォールトデータの不足は、障害イベントの多さとデータアノテーションの高コストのため、データ駆動アプローチを著しく妨げている。 既存の時系列生成モデルは、豊富な正規データに最適化され、数ショットのシナリオで障害分布を捉えるのに苦労し、大きなドメインギャップと断層のクラス内変動のために、信頼性と多様性に欠けるサンプルを生成する。 そこで本研究では,拡散モデルに基づく新しい故障時系列生成フレームワークを提案する。 提案手法では, 事前学習した正規データ分布を利用して, 正常領域と故障領域の相違をモデル化し, 正確な断層合成を行う。 さらに、モード崩壊を防止するために多様性損失を導入し、サンプル間差分正則化による多様な障害サンプルの生成を促進する。 実験結果から,本モデルが従来手法の信頼性と多様性を著しく向上し,キーベンチマークにおける最先端性能を実現していることが示された。

関連論文リスト

• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Bayesian Joint Model of Multi-Sensor and Failure Event Data for Multi-Mode Failure Prediction [2.8123958518740544]
  現代の産業システムには複数の障害モードがあり、その状態は複数のセンサーで監視されている。 システムの残りの有用な寿命(RUL)を正確に予測するには、マルチセンサーの時系列データを効果的に活用する必要がある。 本稿では,マルチセンサの時系列データと複数障害モードに関する障害時間とを協調的にモデル化するための統一的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-06-20T14:44:15Z)
• Solving Inverse Problems with FLAIR [68.87167940623318]
  本稿では,フローベース生成モデルを逆問題に先立って活用する学習自由変分フレームワークFLAIRを提案する。 標準画像ベンチマークの結果、FLAIRは再現性やサンプルの多様性の観点から、既存の拡散法や流れ法よりも一貫して優れていることが示された。
  論文  参考訳（メタデータ） (2025-06-03T09:29:47Z)
• Deep Multi-Manifold Transformation Based Multivariate Time Series Fault Detection [22.005142941322912]
  本稿では, 近傍型データ拡張戦略と多次元表現学習フレームワークを組み合わせた新しい手法を提案する。 提案手法は精度とロバスト性の両方において優れた性能を示し, 一般化と実世界の展開の可能性を示す。
  論文  参考訳（メタデータ） (2024-05-25T14:48:04Z)
• A Temporally Disentangled Contrastive Diffusion Model for Spatiotemporal Imputation [35.46631415365955]
  C$2$TSDという条件拡散フレームワークを導入する。 実世界の3つのデータセットに対する我々の実験は、最先端のベースラインと比較して、我々のアプローチの優れた性能を示している。
  論文  参考訳（メタデータ） (2024-02-18T11:59:04Z)
• AnomalyDiffusion: Few-Shot Anomaly Image Generation with Diffusion Model [59.08735812631131]
  製造業において異常検査が重要な役割を担っている。 既存の異常検査手法は、異常データが不足しているため、その性能に制限がある。 本稿では,新しい拡散型マイクロショット異常生成モデルであるAnomalyDiffusionを提案する。
  論文  参考訳（メタデータ） (2023-12-10T05:13:40Z)
• Predicting with Confidence on Unseen Distributions [90.68414180153897]
  ドメイン適応と予測不確実性文学を結びつけて、挑戦的な未知分布のモデル精度を予測する。 分類器の予測における信頼度(DoC)の差は,様々な変化に対して,分類器の性能変化を推定することに成功した。 具体的には, 合成分布と自然分布の区別について検討し, その単純さにもかかわらず, DoCは分布差の定量化に優れることを示した。
  論文  参考訳（メタデータ） (2021-07-07T15:50:18Z)

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。