論文の概要: UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction

• arxiv url: http://arxiv.org/abs/2605.18188v1
• Date: Mon, 18 May 2026 10:28:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-19 17:57:49.396812
• Title: UTOPYA: A Multimodal Deep Learning Framework for Physics-Informed Anomaly Detection and Time-Series Prediction
• Title（参考訳）: UTOPYA:物理インフォームド異常検出と時系列予測のためのマルチモーダルディープラーニングフレームワーク
• Authors: Robson W. S. Pessoa, Julien Amblard, Alessandra Russo, Idelfonso B. R. Nogueira,
• Abstract要約: バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究は, バッチ蒸留における異常検出, 時系列予測, 位相分類を共同で扱うマルチモーダルフレームワークUTOPYAを紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制する。
• 参考スコア（独自算出の注目度）: 42.532335022354545
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Anomaly detection in batch processes is hindered by transient dynamics, scarce fault labels, and reliance on single-modality sensor data. This work introduces UTOPYA (Unified Temporal Observation for Physics-Informed Anomaly Detection and Time-Series Prediction), a 15.2M-parameter multimodal framework that jointly addresses anomaly detection, time-series prediction, and phase classification in batch distillation by fusing eight data modalities through Feature-wise Linear Modulation (FiLM) conditioned cross-modal attention and gated fusion. A physics-informed regularisation scheme introduced in this work enforces temporal smoothness and thermodynamic monotonicity, while curriculum learning introduces training samples in order of physical difficulty. On the 119-experiment multimodal batch distillation dataset of Arweiler et al. (2026), UTOPYA achieves a window-level test AUROC of 0.832 and 0.874 under multi-signal experiment-level scoring, substantially outperforming four external baselines (PCA, autoencoder, Isolation Forest, and LSTM autoencoder) evaluated under identical conditions (+0.147 window-level AUROC over the best baseline). A multimodal ablation over 15~architectural configurations shows that static context via FiLM conditioning is the key enabler, lifting experiment-level multi-signal AUROC by +0.145 over the unimodal baseline (0.729 to 0.874). Separately, a training ablation across 14 design choices reveals that several widely-adopted techniques, including instance normalisation, Mixup, ensembling, test-time augmentation, and stochastic weight averaging, fail to improve or actively degrade generalisation in this data-scarce setting. These negative results expose a fundamental tension between smoothing-based regularisation and anomaly detection, providing practical guidance for multimodal process monitoring deployment.
• Abstract（参考訳）: バッチプロセスにおける異常検出は、過渡的ダイナミクス、欠陥ラベルの不足、単一モードセンサデータへの依存によって妨げられる。 本研究では,異常検出,時系列予測,位相分類を並列に扱う15.2Mパラメータ・マルチモーダル・フレームワークであるUTOPYA(Unified Temporal Observation for Physics-Informed Anomaly Detection and Time-Series Prediction)を紹介する。 本研究で導入された物理インフォームド正規化スキームは、時間的滑らかさと熱力学的モノトニクスを強制し、カリキュラム学習は、物理的困難の順にトレーニングサンプルを導入する。 UTOPYAはArweiler et al (2026) の 119-experiment multimodal batch distillation dataset において, 0.832 と 0.874 の窓面レベル試験 AUROC を多信号レベルスコアで達成し, 4つの外部ベースライン(PCA, オートエンコーダ, 分離フォレスト, LSTMオートエンコーダ)をほぼ上回り, 最良ベースライン上での窓面レベル AUROC を+0.147 と評価した。 15-構造的構成のマルチモーダルアブレーションは、FiLM条件付けによる静的コンテキストが鍵となることを示し、実験レベルのマルチシグナルAUROCを2次ベースライン(0.729から0.874)で+0.145まで持ち上げる。 第2に、14の設計選択にわたるトレーニングアブレーションは、例えば正規化、ミックスアップ、エンハンブル、テスト時間拡張、確率的ウェイト平均化など、広く採用されているいくつかのテクニックが、このデータスカース設定における一般化を改善または積極的に低下させることができないことを明らかにしている。 これらの否定的な結果は,スムーズ化ベースの正規化と異常検出の基本的な緊張関係を明らかにし,マルチモーダルプロセス監視の実践的ガイダンスを提供する。

関連論文リスト

• Multi-scale Coarse-to-fine Modeling for Test-time Human Motion Control [51.92884966472683]
  MSCoTは、テストタイムの人間のモーション合成と制御のための、マルチスケールで粗い粒度モデルである。 MSCoTは動きを多スケールの階層表現に識別し、各時間スケールでトークンシーケンス全体を予測する。
  論文  参考訳（メタデータ） (2026-05-14T15:09:49Z)
• UniDiff: A Unified Diffusion Framework for Multimodal Time Series Forecasting [90.47915032778366]
  マルチモーダル時系列予測のための統合拡散フレームワークUniDiffを提案する。 コアには統一的で並列な融合モジュールがあり、単一のクロスアテンション機構がタイムスタンプからの構造化情報とテキストからのセマンティックコンテキストを統合する。 8つの領域にわたる実世界のベンチマークデータセットの実験は、提案したUniDiffモデルが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2025-12-08T05:36:14Z)
• EDIT: Early Diffusion Inference Termination for dLLMs Based on Dynamics of Training Gradients [6.736735746633275]
  拡散に基づく大規模言語モデル (dLLMs) は反復的妄想を通じてトークン生成を洗練させるが、全てのステップが完了する前に答えは安定することが多い。 本稿では,トレーニング時推論に対する十分な推論安定性が検出された場合に,適応的にデノイングを停止する推論時基準であるEDITを提案する。
  論文  参考訳（メタデータ） (2025-11-29T23:47:47Z)
• A Standardized Benchmark for Machine-Learned Molecular Dynamics using Weighted Ensemble Sampling [32.505127447635864]
  本稿では,タンパク質MD法を体系的に評価するモジュール型ベンチマークフレームワークを提案する。 このフレームワークには、任意のシミュレーションエンジンをサポートするフレキシブルで軽量なプロパゲータインターフェースが含まれている。 10から224個の残基から、様々な折りたたみ複合体にまたがる9種類のタンパク質のデータセットをコントリビュートする。
  論文  参考訳（メタデータ） (2025-10-20T06:02:36Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
  Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
  論文  参考訳（メタデータ） (2023-10-01T05:07:17Z)
• CFLOW-AD: Real-Time Unsupervised Anomaly Detection with Localization via Conditional Normalizing Flows [0.0]
  そこで本研究では,局所化による異常検出をリアルタイムに行うモデルを提案する。 CFLOW-ADは差別的に事前訓練されたエンコーダとマルチスケール生成デコーダから構成される。 MVTecデータセットを用いた実験により,CFLOW-ADは検出タスクで0.36%,AUROCで1.12%,AUPROで2.5%,従来の手法で0.36%,それぞれ優れた性能を示した。
  論文  参考訳（メタデータ） (2021-07-27T03:10:38Z)

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。