論文の概要: TSFM in-context learning for time-series classification of bearing-health status

• arxiv url: http://arxiv.org/abs/2511.15447v1
• Date: Wed, 19 Nov 2025 14:01:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 15:51:28.834261
• Title: TSFM in-context learning for time-series classification of bearing-health status
• Title（参考訳）: 軸受健康状態の時系列分類のためのTSFMインコンテキスト学習
• Authors: Michel Tokic, Slobodan Djukanović, Anja von Beuningen, Cheng Feng,
• Abstract要約: 本稿では,時系列基礎モデル(TSFM)における文脈内学習を用いた分類手法を提案する。 本研究では、TSFMトレーニングデータコーパスに含まれていないデータをどのように分類するかを、モデルを微調整することなく示す。 本手法をサーボプレスモータ内の軸受の健康状態を評価するための振動データに適用する。
• 参考スコア（独自算出の注目度）: 2.1569807291469454
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper introduces a classification method using in-context learning in time-series foundation models (TSFM). We show how data, which was not part of the TSFM training data corpus, can be classified without the need of finetuning the model. Examples are represented in the form of targets (class id) and covariates (data matrix) within the prompt of the model, which enables to classify an unknown covariate data pattern alongside the forecast axis through in-context learning. We apply this method to vibration data for assessing the health state of a bearing within a servo-press motor. The method transforms frequency domain reference signals into pseudo time-series patterns, generates aligned covariate and target signals, and uses the TSFM to predict probabilities how classified data corresponds to predefined labels. Leveraging the scalability of pre-trained models this method demonstrates efficacy across varied operational conditions. This marks significant progress beyond custom narrow AI solutions towards broader, AI-driven maintenance systems.
• Abstract（参考訳）: 本稿では,時系列基礎モデル(TSFM)における文脈内学習を用いた分類手法を提案する。 本研究では、TSFMトレーニングデータコーパスに含まれていないデータをどのように分類するかを、モデルを微調整することなく示す。 例えば、モデルのプロンプト内でターゲット(クラスID)と共変量(データマトリックス)の形式で表現され、コンテキスト内学習を通じて予測軸に沿って未知の共変量データパターンを分類することができる。 本手法をサーボプレスモータ内の軸受の健康状態を評価するための振動データに適用する。 この方法は、周波数領域参照信号を擬似時系列パターンに変換し、アライメントされた共変量およびターゲット信号を生成し、TSFMを使用して、分類されたデータが予め定義されたラベルに対応する確率を予測する。 事前訓練されたモデルのスケーラビリティを活用することで、様々な運用条件にまたがる有効性を示す。 これは、より広範なAI駆動のメンテナンスシステムに対する、カスタムの狭義のAIソリューションを越えて、大きな進歩を示している。

関連論文リスト

• Reinforcement learning based data assimilation for unknown state model [3.032674692886751]
  本研究では,強化学習とアンサンブルに基づくベイジアン・ファルトリング手法を組み合わせた新しい手法を提案する。 提案フレームワークは, 非線形および部分観測計測モデルを含む, 幅広い観測シナリオに対応している。 いくつかの数値的な例では,提案手法は高次元設定における精度とロバスト性を向上することを示した。
  論文  参考訳（メタデータ） (2025-11-04T05:58:37Z)
• Time Series Similarity Score Functions to Monitor and Interact with the Training and Denoising Process of a Time Series Diffusion Model applied to a Human Activity Recognition Dataset based on IMUs [0.0]
  拡散確率モデルは 合成センサー信号を生成できる トレーニングプロセスは、前処理で付加された雑音と拡散モデルで予測された雑音との差を測定する損失関数によって制御される。 我々は、複数の類似度指標を調査し、トレーニングと合成プロセスを監視して、この問題を克服するために既存のメトリクスを適用します。
  論文  参考訳（メタデータ） (2025-05-20T06:38:17Z)
• Classification of High-dimensional Time Series in Spectral Domain using Explainable Features [8.656881800897661]
  本稿では,高次元定常時系列を分類するためのモデルに基づくアプローチを提案する。 我々のアプローチはモデルパラメータの解釈可能性を強調し、神経科学のような分野に特に適している。 我々の手法の新規性は、モデルパラメータの解釈可能性にあり、神経科学における重要なニーズに対処する。
  論文  参考訳（メタデータ） (2024-08-15T19:10:12Z)
• Semi-Supervised Model-Free Bayesian State Estimation from Compressed Measurements [57.04370580292727]
  圧縮測定によるベイズ状態の推定について考察する。 時間的測定ベクトルの寸法は、推定される時間的状態ベクトルの寸法よりも小さい。 状態の進化の基盤となる力学モデルは「モデルフリープロセス」では未知数である。
  論文  参考訳（メタデータ） (2024-07-10T05:03:48Z)
• Exploring Beyond Logits: Hierarchical Dynamic Labeling Based on Embeddings for Semi-Supervised Classification [49.09505771145326]
  モデル予測に依存しない階層型動的ラベル付け(HDL)アルゴリズムを提案し,画像埋め込みを用いてサンプルラベルを生成する。 本手法は,半教師付き学習における擬似ラベル生成のパラダイムを変える可能性がある。
  論文  参考訳（メタデータ） (2024-04-26T06:00:27Z)
• Fusing Conditional Submodular GAN and Programmatic Weak Supervision [5.300742881753571]
  PWS(Programmatic Weak Supervision)と生成モデルは、データ収集や手動のアノテーションプロセスに頼ることなく、既存のデータセットの有用性を最大化する重要なツールとして機能する。 PWSは、データの基礎となるクラスラベルを推定するために様々な弱い監視技術を使用し、生成モデルは、主に与えられたデータセットの基盤分布からのサンプリングに集中する。 最近、WSGANは2つのモデルを融合させるメカニズムを提案した。
  論文  参考訳（メタデータ） (2023-12-16T07:49:13Z)
• Kalman Filter for Online Classification of Non-Stationary Data [101.26838049872651]
  オンライン連続学習(OCL)では、学習システムはデータのストリームを受け取り、予測とトレーニングの手順を順次実行する。 本稿では,線形予測量に対するニューラル表現と状態空間モデルを用いた確率ベイズオンライン学習モデルを提案する。 多クラス分類の実験では、モデルの予測能力と非定常性を捉える柔軟性を示す。
  論文  参考訳（メタデータ） (2023-06-14T11:41:42Z)

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。