Fugu-MT 論文翻訳(概要): TS-HINT: Enhancing Semiconductor Time Series Regression Using Attention Hints From Large Language Model Reasoning

論文の概要: TS-HINT: Enhancing Semiconductor Time Series Regression Using Attention Hints From Large Language Model Reasoning

arxiv url: http://arxiv.org/abs/2512.05419v1
Date: Fri, 05 Dec 2025 04:35:18 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-13 22:40:56.900404
Title: TS-HINT: Enhancing Semiconductor Time Series Regression Using Attention Hints From Large Language Model Reasoning
Title（参考訳）: TS-HINT:大規模言語モデル推論からの注意ヒントを用いた半導体時系列回帰の強化
Authors: Jonathan Adam Rico, Nagarajan Raghavan, Senthilnath Jayavelu,
Abstract要約: 既存のデータ駆動法は、化学機械研磨(CMP)などの半導体製造プロセスの材料除去率(MRR)を近似するために、時系列からの静的特徴抽出に依存している。本稿では,時系列基礎モデル(TSFM)フレームワークであるTS-Hintを提案する。
参考スコア（独自算出の注目度）: 2.4958651162443943
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Existing data-driven methods rely on the extraction of static features from time series to approximate the material removal rate (MRR) of semiconductor manufacturing processes such as chemical mechanical polishing (CMP). However, this leads to a loss of temporal dynamics. Moreover, these methods require a large amount of data for effective training. In this paper, we propose TS-Hint, a Time Series Foundation Model (TSFM) framework, integrated with chain-of-thought reasoning which provides attention hints during training based on attention mechanism data and saliency data. Experimental results demonstrate the effectiveness of our model in limited data settings via few-shot learning and can learn directly from multivariate time series features.
Abstract（参考訳）: 既存のデータ駆動法は、化学機械研磨(CMP)のような半導体製造プロセスの物質除去率(MRR)を近似するために、時系列からの静的特徴の抽出に依存している。しかし、これは時間的ダイナミクスの喪失につながる。さらに、これらの手法は効果的なトレーニングのために大量のデータを必要とする。本稿では,時系列基礎モデル(TSFM)フレームワークであるTS-Hintを提案する。実験により,数ショット学習による限られたデータ設定におけるモデルの有効性を実証し,多変量時系列特徴から直接学習できることを示した。

関連論文リスト

Time Series Foundation Models for Process Model Forecasting [8.339024524110828]
プロセスモデル予測は、プロセスの制御フロー構造が時間とともにどのように進化するかを予測することを目的としています。機械学習とディープラーニングモデルは、統計的ベースラインよりも控えめな利得しか提供しない。 PMF の代替として Time Series Foundation Models (TSFMs) について検討する。
論文参考訳（メタデータ） (2025-12-08T15:08:50Z)
SEMPO: Lightweight Foundation Models for Time Series Forecasting [45.456949943052116]
SEMPOは比較的小規模なデータに対する事前トレーニングを必要とする軽量な基礎モデルであるが、強い時系列予測を示す。 SEMPOは、1)エネルギーを意識したSpEctral分解モジュールと、事前学習データの利用を大幅に改善する2つの重要なモジュールから構成される。 16のデータセットをカバーする2つの大規模ベンチマークの実験は、ゼロショットと少数ショットの予測シナリオの両方でSEMPOの優れたパフォーマンスを示している。
論文参考訳（メタデータ） (2025-10-22T15:58:44Z)
WDformer: A Wavelet-based Differential Transformer Model for Time Series Forecasting [21.222605948133893]
時系列予測には,気象降雨予測,交通流解析,財務予測,運用負荷監視など,さまざまな応用がある。時系列データのばらつきのため、時間領域や周波数領域のモデリングのみに依存するため、モデルがマルチドメイン情報を十分に活用する能力は制限される。我々は,ウェーブレットに基づく微分変換器モデルであるWDformerを提案し,時系列データの多分解能解析を行った。
論文参考訳（メタデータ） (2025-09-25T02:43:51Z)
Retrieval-Augmented Diffusion Models for Time Series Forecasting [19.251274915003265]
検索時間拡張拡散モデル(RATD)を提案する。 RATDは埋め込みベースの検索プロセスと参照誘導拡散モデルという2つの部分から構成される。当社のアプローチでは,データベース内の意味のあるサンプルを活用することで,サンプリングを支援し,データセットの利用を最大化することが可能です。
論文参考訳（メタデータ） (2024-10-24T13:14:39Z)
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)
Perceiver-based CDF Modeling for Time Series Forecasting [25.26713741799865]
本稿では,時系列データの累積分布関数(CDF)をモデル化するための新しいアーキテクチャであるPerceiver-CDFを提案する。提案手法は,マルチモーダル時系列予測に適したコプラに基づくアテンション機構と,知覚アーキテクチャを組み合わせたものである。単調かつマルチモーダルなベンチマークの実験は、最先端の手法よりも20%改善されていることを一貫して示している。
論文参考訳（メタデータ） (2023-10-03T01:13:17Z)
Robustness and Generalization Performance of Deep Learning Models on Cyber-Physical Systems: A Comparative Study [71.84852429039881]
調査は、センサーの故障やノイズなど、様々な摂動を扱うモデルの能力に焦点を当てている。我々は,これらのモデルの一般化と伝達学習能力を,アウト・オブ・ディストリビューション(OOD)サンプルに公開することによって検証する。
論文参考訳（メタデータ） (2023-06-13T12:43:59Z)
A Continuous Time Framework for Discrete Denoising Models [43.135447812798155]
離散データの拡散モデルを決定するための,最初の完全な連続時間フレームワークを提供する。これは、連続時間マルコフ連鎖(CTMC)としてフォワードノイズ発生過程と対応する逆時間生成過程を定式化することによって達成される。
論文参考訳（メタデータ） (2022-05-30T10:37:41Z)
Multi-scale Attention Flow for Probabilistic Time Series Forecasting [68.20798558048678]
マルチスケールアテンション正規化フロー(MANF)と呼ばれる非自己回帰型ディープラーニングモデルを提案する。我々のモデルは累積誤差の影響を回避し、時間の複雑さを増大させない。本モデルは,多くの多変量データセット上での最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-16T07:53:42Z)
Learning summary features of time series for likelihood free inference [93.08098361687722]
時系列データから要約機能を自動的に学習するためのデータ駆動型戦略を提案する。以上の結果から,データから要約的特徴を学習することで,手作りの値に基づいてLFI手法よりも優れる可能性が示唆された。
論文参考訳（メタデータ） (2020-12-04T19:21:37Z)
Convolutional Tensor-Train LSTM for Spatio-temporal Learning [116.24172387469994]
本稿では,ビデオシーケンスの長期相関を効率的に学習できる高次LSTMモデルを提案する。これは、時間をかけて畳み込み特徴を組み合わせることによって予測を行う、新しいテンソルトレインモジュールによって達成される。この結果は,幅広いアプリケーションやデータセットにおいて,最先端のパフォーマンス向上を実現している。
論文参考訳（メタデータ） (2020-02-21T05:00:01Z)

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。