Fugu-MT 論文翻訳(概要): Hybrid Feature Learning with Time Series Embeddings for Equipment Anomaly Prediction

論文の概要: Hybrid Feature Learning with Time Series Embeddings for Equipment Anomaly Prediction

arxiv url: http://arxiv.org/abs/2602.15089v1
Date: Mon, 16 Feb 2026 15:00:15 GMT
ステータス: 翻訳完了
システム内更新日: 2026-02-18 16:03:17.866502
Title: Hybrid Feature Learning with Time Series Embeddings for Equipment Anomaly Prediction
Title（参考訳）: 機器異常予測のための時系列埋め込みを用いたハイブリッド特徴学習
Authors: Takato Yasuno,
Abstract要約: 本研究では,Granite TinyTimeMixerの64次元時系列埋め込みと28次元統計特性を統合するハイブリッド手法を提案する。 64の機器ユニットと51,564のサンプルを用いた実験では,30日間,60日間,90日間の地平線における異常予測のために,91-95%の精度と0.995のROC-AUCを達成した。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In predictive maintenance of equipment, deep learning-based time series anomaly detection has garnered significant attention; however, pure deep learning approaches often fail to achieve sufficient accuracy on real-world data. This study proposes a hybrid approach that integrates 64-dimensional time series embeddings from Granite TinyTimeMixer with 28-dimensional statistical features based on domain knowledge for HVAC equipment anomaly prediction tasks. Specifically, we combine time series embeddings extracted from a Granite TinyTimeMixer encoder fine-tuned with LoRA (Low-Rank Adaptation) and 28 types of statistical features including trend, volatility, and drawdown indicators, which are then learned using a LightGBM gradient boosting classifier. In experiments using 64 equipment units and 51,564 samples, we achieved Precision of 91--95\% and ROC-AUC of 0.995 for anomaly prediction at 30-day, 60-day, and 90-day horizons. Furthermore, we achieved production-ready performance with a false positive rate of 1.1\% or less and a detection rate of 88--94\%, demonstrating the effectiveness of the system for predictive maintenance applications. This work demonstrates that practical anomaly detection systems can be realized by leveraging the complementary strengths between deep learning's representation learning capabilities and statistical feature engineering.
Abstract（参考訳）: 機器の予測保守においては、ディープラーニングに基づく時系列異常検出が注目されているが、純粋なディープラーニングアプローチは実世界のデータに対して十分な精度を達成できないことが多い。本研究では,Granite TinyTimeMixerの64次元時系列埋め込みと,HVAC機器異常予測タスクの領域知識に基づく28次元統計特徴を統合するハイブリッド手法を提案する。具体的には,LoRA(Low-Rank Adaptation)を微調整したGranite TinyTimeMixerエンコーダから抽出した時系列埋め込みと,トレンド,ボラティリティ,ドローダウンインジケータを含む28種類の統計的特徴を組み合わせて,LightGBM勾配増強分類器を用いて学習する。 64の機器ユニットと51,564のサンプルを用いた実験では,30日間,60日間,90日間の地平線における異常予測のために,91-95\%の精度,0.995のROC-AUCを達成した。さらに, 偽陽性率 1.1 %以下, 検出率 88--94 % を達成し, 本システムの有効性を実証した。本研究は,ディープラーニングの表現学習能力と統計的特徴工学の相補的強みを活用することで,実用的な異常検出システムを実現することを実証する。

関連論文リスト

Uncertainty-Aware Deep Learning Framework for Remaining Useful Life Prediction in Turbofan Engines with Learned Aleatoric Uncertainty [0.0]
本研究は,確率論的モデリングにより,アレータリックな不確実性を直接学習する,新しい不確実性を考慮したディープラーニングフレームワークを提案する。本フレームワークは,RMSEが5.14,6.89,5.27,7.16で,ブレークスルークリティカルゾーン性能(RUL=30サイクル)を達成する。学習された不確実性は95パーセントの信頼区間を提供し、カバー範囲は93.5パーセントから95.2%までであり、リスク対応のメンテナンススケジュールを可能にしている。
論文参考訳（メタデータ） (2025-11-24T13:53:31Z)
Exploring FMCW Radars and Feature Maps for Activity Recognition: A Benchmark Study [2.251010251400407]
本研究では、人間の活動認識のための周波数変調連続波レーダに基づくフレームワークを提案する。特徴写像を画像として処理する従来の手法とは異なり、本研究では多次元特徴写像をデータベクトルとして与える。 ConvLSTMモデルは従来の機械学習およびディープラーニングモデルよりも優れ、精度は90.51%に達した。
論文参考訳（メタデータ） (2025-03-07T17:53:29Z)
Predictive Crash Analytics for Traffic Safety using Deep Learning [0.0]
本研究では,アンサンブル学習手法とマルチモーダルデータ融合を統合した交通安全解析手法を提案する。我々の主な貢献は、時空間の衝突パターンと環境条件を組み合わせた階層的な重大度分類システムの開発である。本稿では,事故発生時の位置データをインシデントレポートや気象条件と統合し,リスク予測の精度92.4%,ホットスポット識別の精度89.7%を達成できる新しい特徴工学手法を提案する。
論文参考訳（メタデータ） (2025-02-09T05:00:46Z)
Improved Anomaly Detection through Conditional Latent Space VAE Ensembles [49.1574468325115]
条件付きラテント空間変分オートエンコーダ(CL-VAE)は、既知の不整形クラスと未知の不整形クラスを持つデータに対する異常検出のための前処理を改善した。モデルでは異常検出の精度が向上し、MNISTデータセットで97.4%のAUCが達成された。さらに、CL-VAEは、アンサンブルの利点、より解釈可能な潜在空間、モデルサイズに制限のある複雑なデータでパターンを学習する能力の増大を示す。
論文参考訳（メタデータ） (2024-10-16T07:48:53Z)
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)
ImDiffusion: Imputed Diffusion Models for Multivariate Time Series Anomaly Detection [44.21198064126152]
我々はImDiffusionという新しい異常検出フレームワークを提案する。 ImDiffusionは時系列計算と拡散モデルを組み合わせて、正確で堅牢な異常検出を実現する。我々はImDiffusionの性能をベンチマークデータセットの広範な実験により評価する。
論文参考訳（メタデータ） (2023-07-03T04:57:40Z)
A Machine Learning Outlook: Post-processing of Global Medium-range Forecasts [0.0]
後処理は通常、数値気象予測(NWP)モデルの出力を受け取り、線形統計手法を適用する。本研究では, 温度850hPaで7日間の予測において, 最大12%(RMSE)の精度向上を達成できることを示す。我々は、ルート平均二乗誤差 (RMSE) や異常相関係数 (ACC) といった標準メトリクスを使用する際の課題について議論する。
論文参考訳（メタデータ） (2023-03-28T20:48:01Z)
DeepVol: Volatility Forecasting from High-Frequency Data with Dilated Causal Convolutions [53.37679435230207]
本稿では,Dilated Causal Convolutionsに基づくDeepVolモデルを提案する。実験結果から,提案手法は高頻度データからグローバルな特徴を効果的に学習できることが示唆された。
論文参考訳（メタデータ） (2022-09-23T16:13:47Z)
Understanding of the properties of neural network approaches for transient light curve approximations [37.91290708320157]
本稿では,観測光曲線を時間と波長で近似する最良性能法を提案する。テストデータセットには、PLAsTiCCと実際のZwicky Transient Facility Bright Transient Survey光曲線のシミュレーションが含まれている。
論文参考訳（メタデータ） (2022-09-15T18:00:08Z)
Cloud Failure Prediction with Hierarchical Temporary Memory: An Empirical Assessment [64.73243241568555]
Hierarchical Temporary Memory (HTM) は、新皮質の特徴にインスパイアされた教師なし学習アルゴリズムである。本稿では,障害予測の文脈でHTMを評価する最初の体系的研究について述べる。
論文参考訳（メタデータ） (2021-10-06T07:09:45Z)
Active machine learning for spatio-temporal predictions using feature embedding [0.537133760455631]
アクティブラーニングは、危機時予測の改善を通じて環境問題の解決に寄与する可能性がある。本稿では,このギャップを埋める新しいバッチAL法を提案する。候補データポイントの機能をエンコードおよびクラスタ化し、組み込み機能からクラスタセンターまでの距離に基づいて最適なデータをクエリします。
論文参考訳（メタデータ） (2020-12-08T12:55:29Z)

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。