論文の概要: Towards Unified and Data-Efficient Prognostics and Health Management with Tabular Foundation Models
- arxiv url: http://arxiv.org/abs/2606.05481v1
- Date: Wed, 03 Jun 2026 22:00:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 22:39:44.424127
- Title: Towards Unified and Data-Efficient Prognostics and Health Management with Tabular Foundation Models
- Title（参考訳）: タブラル基礎モデルによる統一的でデータ効率の良い診断・健康管理に向けて
- Authors: Raffael Theiler, Lev Telyatnikov, Leandro Von Krannichfeldt, Olga Fink,
- Abstract要約: Data-driven Prognostics and Health Management (PHM) は、システム状態の診断と、エンジニアリングされた資産の残りの有用な寿命を見積もるために、時間変化のある状態監視データを使用する。
これらのタスクはメンテナンス計画の中心であるが、産業用PHMデータは断片化され、部分的に観察され、ラベルが不十分であることが多い。
In-context Learning を用いた産業時系列に Tabular Foundation Models を適用するためのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 13.382059615065167
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Data-driven Prognostics and Health Management (PHM) uses time-varying condition-monitoring data to diagnose system states and estimate remaining useful life in engineered assets. These tasks are central to maintenance planning, but industrial PHM data are often fragmented, partially observed, and poorly labeled, which hinders supervised learning. Foundation models offer a route toward reusable predictive systems, yet most time-series foundation models are designed for forecasting and assume long, coherent, regularly sampled sequences. To address this gap, we propose a framework for applying Tabular Foundation Models to industrial time series using in-context learning, and we evaluate them on a variety of PHM tasks. By converting raw unit-level signals into tabular rows, we show that these models perform well across multiple tasks - including prognostics, and diagnostics - and are highly data efficient. We compare them directly with sequence models, transformer baselines, and gradient-boosted trees under a common evaluation protocol. The results indicate that tabular foundation models achieve the best average ranks across prognostic and diagnostic tasks. Our findings further show that PFN-based models are competitive in low-data regimes, that temporal context can be preserved in the tabular representation, and that performance depends on representative context construction under subsampling. These results demonstrate that tabular foundation models provide a practical and general interface for heterogeneous PHM problems.
- Abstract（参考訳）: Data-driven Prognostics and Health Management (PHM) は、システム状態の診断と、エンジニアリングされた資産の残りの有用な寿命を見積もるために、時間変化のある状態監視データを使用する。
これらのタスクはメンテナンス計画の中心であるが、産業用PHMデータは断片化され、部分的に観察され、ラベルが下がらないことが多く、教師あり学習を妨げる。
ファンデーションモデルは再利用可能な予測システムへのルートを提供するが、ほとんどの時系列ファンデーションモデルは、長い、一貫性のある、定期的にサンプリングされたシーケンスを予測および仮定するために設計されている。
このギャップに対処するために,テキスト内学習を用いた産業時系列にTabular Foundation Modelsを適用するためのフレームワークを提案し,様々なPHMタスクで評価する。
生の単位レベルの信号を表の行に変換することで、これらのモデルが複数のタスク(予後や診断など)にわたってうまく機能し、データ効率が高いことを示す。
共通の評価プロトコルの下で, 直列モデル, 変圧器ベースライン, 勾配木と直接比較する。
その結果, 表層基礎モデルでは, 予後, 診断タスクの平均ランクが最良であることが示唆された。
さらに,PFNモデルが低データレシエーションにおいて競争力を持つこと,時間的コンテキストを表表表現に保存できること,サブサンプリングにおける代表的コンテキスト構成に依存すること,などが示唆された。
これらの結果は,表層基礎モデルが不均一なPHM問題に対して実用的で汎用的なインターフェースを提供することを示す。
関連論文リスト
- It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。
我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。
静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
論文 参考訳（メタデータ） (2026-02-12T16:31:01Z) - EEG Foundation Models: Progresses, Benchmarking, and Open Problems [10.447009984769819]
我々は、50の代表的なEEG基盤モデルをレビューし、その設計選択を統合された分類学的枠組みにまとめる。
9つのBCIパラダイムにまたがる13のEEGデータセットに対して、12のオープンソースファンデーションモデルと、競合するスペシャリストベースラインを評価します。
論文 参考訳（メタデータ） (2026-01-25T15:28:50Z) - 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) - Estimating Time Series Foundation Model Transferability via In-Context Learning [74.65355820906355]
時系列基礎モデル(TSFM)は、大規模な事前訓練を通じて強力なゼロショット予測を提供する。
微調整は、公開データに制限のあるドメインのパフォーマンス向上に依然として不可欠である。
モデル選択をコンテキスト内学習問題として再キャストする転送可能性推定フレームワークであるTimeTicを紹介する。
論文 参考訳（メタデータ） (2025-09-28T07:07:13Z) - ARIES: Relation Assessment and Model Recommendation for Deep Time Series Forecasting [54.57031153712623]
ARIESは時系列特性とモデリング戦略の関係を評価するためのフレームワークである。
実世界の時系列に解釈可能な提案を提供することのできる,最初の深層予測モデルレコメンデータを提案する。
論文 参考訳（メタデータ） (2025-09-07T13:57:14Z) - Enhancing Transformer-Based Foundation Models for Time Series Forecasting via Bagging, Boosting and Statistical Ensembles [7.787518725874443]
時系列基礎モデル(TSFM)は、時系列予測、異常検出、分類、計算のための強力な一般化とゼロショット能力を示している。
本稿では, 統計的およびアンサンブルに基づくエンハンスメント技術を用いて, 頑健さと精度を向上させる手法について検討する。
論文 参考訳（メタデータ） (2025-08-18T04:06:26Z) - A Pre-training Framework for Relational Data with Information-theoretic Principles [57.93973948947743]
本稿では,リレーショナルグラフ上の集合に基づくアグリゲーションを通じて,監視信号を構成する新しい事前学習フレームワークであるTask Vector Estimation (TVE)を紹介する。
TVEは従来のトレーニング前のベースラインを一貫して上回っている。
本研究は,関係データベース上での予測モデルの設計原則として,タスクの不均一性と時間構造を符号化する事前学習目的を提唱する。
論文 参考訳（メタデータ） (2025-07-14T00:17:21Z) - GenBench: A Benchmarking Suite for Systematic Evaluation of Genomic Foundation Models [56.63218531256961]
我々はGenomic Foundation Modelsの有効性を評価するためのベンチマークスイートであるGenBenchを紹介する。
GenBenchはモジュラーで拡張可能なフレームワークを提供し、様々な最先端の方法論をカプセル化している。
本稿では,タスク固有性能におけるモデルアーキテクチャとデータセット特性の相互作用のニュアンス解析を行う。
論文 参考訳（メタデータ） (2024-06-01T08:01:05Z) - On the Out of Distribution Robustness of Foundation Models in Medical
Image Segmentation [47.95611203419802]
視覚と言語の基礎は、様々な自然画像とテキストデータに基づいて事前訓練されており、有望なアプローチとして現れている。
一般化性能を,同じ分布データセット上で微調整した後,事前学習した各種モデルの未確認領域と比較した。
さらに,凍結モデルに対する新しいベイズ不確実性推定法を開発し,分布外データに基づくモデルの性能評価指標として利用した。
論文 参考訳（メタデータ） (2023-11-18T14:52:10Z) - VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。
我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。
本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
論文 参考訳（メタデータ） (2022-09-25T17:55:31Z)
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。