論文の概要: FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models

• arxiv url: http://arxiv.org/abs/2605.09081v2
• Date: Wed, 13 May 2026 15:28:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-14 17:13:58.829213
• Title: FactoryNet: A Large-Scale Dataset toward Industrial Time-Series Foundation Models
• Title（参考訳）: FactoryNet: 産業時系列基盤モデルに向けた大規模データセット
• Authors: Karim Othman, Jonas Petersen, Matei Ignuta-Ciuncanu, Camilla Mazzoleni, Federico Martelli, Alessandro Lombardi, Riccardo Maggioni, Philipp Petersen,
• Abstract要約: 本稿では,産業時系列データのための最初のユニバーサル事前学習コーパスであるFactoryNetを紹介する。 6つの実施形態で、23kのエンドツーエンドのタスク実行にまたがる51万のデータポイント。 パイプライン全体を支える新しいスキーマ: Setpoint, Effort, Feedback, Context (S-E-F-C)。
• 参考スコア（独自算出の注目度）: 33.97650316348364
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce the first universal pretraining corpus for industrial time-series data: FactoryNet. 51M datapoints across 23k end-to-end task executions (13.3k real, 9.8k synthetic) on six embodiments, unified by a shared schema that enables robust zero-shot cross-embodiment transfer and highly parameter-efficient anomaly detection. We introduce a novel schema: Setpoint, Effort, Feedback, Context (S-E-F-C) underlying the whole pipeline that maps any actuated system into a common representational frame. The corpus spans 27 annotated anomaly types alongside healthy baselines and counterfactual pairs across robotic manipulation and machining domains. Cross-embodiment transfer experiments yield positive results: under bias-aware metrics our model demonstrates fair cross-embodiment transfer capabilities on the evaluated source-target pair, while 24 schema-aligned signals achieves competitive anomaly detection performance compared to high-dimensional baselines. We release FactoryNet as a growing, multi-embodiment dataset to drive progress toward industrial foundation models.
• Abstract（参考訳）: 本稿では,産業時系列データのための最初のユニバーサル事前学習コーパスであるFactoryNetを紹介する。 51万のデータポイントは、23kのエンドツーエンドタスク実行(13.3kのリアルタイム、9.8kの合成)を6つの実施形態でカバーし、堅牢なゼロショットのクロスボディ転送とパラメータ効率の高い異常検出を可能にする共有スキーマで統一されている。 パイプライン全体を支える新しいスキーマ: Setpoint, Effort, Feedback, Context (S-E-F-C)。 コーパスは、正常なベースラインと、ロボット操作と加工ドメインをまたいだ対向的なペアとともに、27種類の注釈付き異常タイプにまたがる。 バイアスを意識した測定値の下で、我々のモデルは、評価されたソースとターゲットのペア上で公平なクロスボデーション転送能力を示し、24のスキーマ整列信号は、高次元ベースラインと比較して、競合する異常検出性能を達成する。 私たちはFactoryNetを,産業基盤モデルに向けた進展を促進するために,成長を続けるマルチエンボディメントデータセットとしてリリースしています。

関連論文リスト

• FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
  製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。 進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。 まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。 次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
  論文  参考訳（メタデータ） (2026-04-08T12:23:27Z)
• ECHO: Frequency-aware Hierarchical Encoding for Variable-length Signals [8.411477071838592]
  本稿では,周波数位置埋め込みと高度なバンド分割アーキテクチャを組み合わせた新しい基礎モデルECHOを提案する。 本手法は,様々な種類の機械信号データセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-08-20T13:10:44Z)
• An Analysis of Model Robustness across Concurrent Distribution Shifts [6.043526197249358]
  ソースデータに慎重に最適化された機械学習モデルは、分散シフト(DS)に直面した場合、しばしばターゲットデータを予測できない。 8つのデータセットから168つのソース・ターゲットペアにまたがる、単純な拡張からゼロショット推論まで、26のアルゴリズムを評価した。 100Kモデル以上の解析結果から,コンカレントDSは,特定の例外を除いて,単一シフトよりもパフォーマンスが低下することが判明した。
  論文  参考訳（メタデータ） (2025-01-08T05:27:16Z)
• GEO-Bench: Toward Foundation Models for Earth Monitoring [139.77907168809085]
  6つの分類と6つのセグメンテーションタスクからなるベンチマークを提案する。 このベンチマークは、さまざまな地球観測タスクの進行の原動力となる。
  論文  参考訳（メタデータ） (2023-06-06T16:16:05Z)
• Cross-Modal Fine-Tuning: Align then Refine [83.37294254884446]
  ORCAはクロスモーダルな微調整フレームワークであり、単一の大規模事前訓練モデルの適用範囲を様々に拡張する。 ORCAは12のモダリティから60以上のデータセットを含む3つのベンチマークで最先端の結果を得る。
  論文  参考訳（メタデータ） (2023-02-11T16:32:28Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)

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。