論文の概要: SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series

• arxiv url: http://arxiv.org/abs/2607.22548v1
• Date: Mon, 11 May 2026 00:43:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-02 22:55:38.956792
• Title: SeT-Diff: Towards Semantic Foundation Models for HPC Telemetry and Time-Series
• Title（参考訳）: SeT-Diff:HPCテレメトリと時系列のセマンティック基礎モデルを目指して
• Abstract要約: HPCの現在の機械学習アプローチとそのテレメトリは、単一のタスクに適した匿名の固定位置センサー変数の静的サブセットに依存している。 本稿では,ノードテレメトリと時系列データの最初の基礎モデルであるSeT-Diffを提案する。 実世界のスーパーコンピュータデータセットの実験では、復元作業における平均絶対誤差(MAE)が0.0470であることを示した。
• 参考スコア（独自算出の注目度）: 1.6138291258655066
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Data centers and their compute nodes require accurate and flexible digital twins capable of modeling the complex interplay of workloads, environmental parameters, and physical metrics. Current machine learning approaches for HPC and its telemetry typically rely on a static subset of anonymous, fixed-position sensor variables tailored to single tasks. Consequently, these models become obsolete when target tasks change or sensor metrics vary. We propose SeT-Diff, the first foundational model for compute node telemetry and time-series. Unlike rigid architectures, our diffusion-based approach conditions the generative process on each sensor's semantic description, decoupling the system dynamics from the structure of the dataset. Experiments on a real-world supercomputer dataset demonstrate a Mean Absolute Error (MAE) of 0.0470 on reconstruction tasks. SeT-Diff exhibits zero-shot permutation stability, maintaining accuracy with negligible degradation even when sensors are shuffled. A single pre-trained model effectively performs data imputation, forecasting, and virtual sensing - achieving a 0.033 MAE in thermal inference - making SeT-Diff an effective data-driven digital twin for HPC systems.
• Abstract（参考訳）: データセンターとその計算ノードは、ワークロード、環境パラメータ、物理メトリクスの複雑な相互作用をモデル化できる正確で柔軟なデジタルツインを必要とします。 HPCの現在の機械学習アプローチとそのテレメトリは、通常、単一のタスクに適した匿名の固定位置センサー変数の静的サブセットに依存している。 その結果、ターゲットタスクの変更やセンサーのメトリクスが変化すると、これらのモデルは時代遅れになる。 本稿では,ノードテレメトリと時系列データの最初の基礎モデルであるSeT-Diffを提案する。 厳密なアーキテクチャとは異なり、我々の拡散に基づくアプローチは、各センサのセマンティック記述に生成過程を条件付け、データセットの構造からシステムダイナミクスを分離する。 実世界のスーパーコンピュータデータセットの実験では、復元作業における平均絶対誤差(MAE)が0.0470であることを示した。 SeT-Diffはゼロショットの置換安定性を示し、センサーをシャッフルしても無視できる劣化の精度を維持する。 1つの事前訓練されたモデルは、データ計算、予測、仮想センシングを効果的に実行し、熱推論において0.033 MAEを達成する。

関連論文リスト

• RigPI: Dynamic Parameter Identification of Rigid Body via VLM-Seeded Differentiable Simulation [16.686983429272214]
  RigPIは、ロボットと物体の相互作用において、剛体と多リンク剛体の動的パラメータを特定するためのフレームワークである。 RigPIは、視覚に基づくセマンティックオーディエンス、フォーストルク測定、モーションオブザーバを、微分可能なシミュレーションパイプラインに統合する。 相対的および原始的な関節を持つ物体に対する大規模な実世界の実験は、RigPIが正確で安定したパラメータ推定を達成することを証明している。
  論文  参考訳（メタデータ） (2026-06-23T22:15:42Z)
• Bridging the Sim-to-Real Gap in Semiconductor Visual Program Synthesis via Input Binarization [4.275696286826178]
  本稿では,視覚言語モデル(VLM)を用いて,検査画像を編集可能なドメイン特化言語(Domain-Specific Language)コードに変換するビジュアルプログラム合成フレームワークを提案する。 VLMは、合成DSLレンダリングデータのみに基づいて訓練されるため、実際の走査型電子顕微鏡(SEM)画像を処理する際にドメインギャップが発生する。 このギャップをSEM特有のテクスチャとノイズを排除し、モデルが幾何学的構造にフォーカスする入力バイナライズ戦略で橋渡しする。
  論文  参考訳（メタデータ） (2026-06-01T16:06:20Z)
• Earth System Foundation Model (ESFM): A unified framework for heterogeneous data integration and forecasting [52.53742727060265]
  地球系の基礎モデル(FM)は、大量のデータセットにわたる物理変数間の統計的関係を学習する。 本稿では,アース・システム・ファンデーション・モデル(ESFM)について紹介する。 本研究では,高密度グリッドデータ (ERA5, CMIP6) , 地域密集データ, 疎グリッドMODIS衛星データ, 局データを用いた。 結果は、最先端のベンチマークと比較して、競争力や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） (2026-04-20T11:40:39Z)
• SourceNet: Interpretable Sim-to-Real Inference on Variable-Geometry Sensor Arrays for Earthquake Source Inversion [7.936803576241796]
  SourceNetはTransformerベースのフレームワークで、任意のジオメトリをモデル化するためのフレキシブルなセットとしてセンサアレイを扱う。 10万の合成イベントを事前トレーニングし、2,000の現実世界イベントを微調整することで、SourceNetは保持された実データに対する最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-01-09T21:42:28Z)
• Data assimilation and discrepancy modeling with shallow recurrent decoders [2.47593085771929]
  シャローリカレントデコーダ(DA-SHRED)を用いたデータ同化のための機械学習フレームワークを提案する。 提案アルゴリズムは, 非線形力学に基づく回帰モデルのスパース同定を潜時空間に組み込んで, シミュレーションモデルに欠落するダイナミクスに対応する関数を同定する。 DA-SHREDはSIM2REALのギャップを埋めることに成功し、高度に複雑なシステムにおいて欠落するダイナミクスを回復することを示した。
  論文  参考訳（メタデータ） (2025-12-01T01:01:48Z)
• InJecteD: Analyzing Trajectories and Drift Dynamics in Denoising Diffusion Probabilistic Models for 2D Point Cloud Generation [48.55037712252843]
  InJecteDは拡散確率モデル(DDPM)を解釈するフレームワーク このフレームワークをDatasaurus Dozen bullseye, dino, circleの3つのデータセットに適用する。 提案手法は, 変位, 速度, クラスタリング, ドリフト場力学などの軌道特性を定量的に評価する。
  論文  参考訳（メタデータ） (2025-09-09T14:53:19Z)
• High-Fidelity Digital Twins for Bridging the Sim2Real Gap in LiDAR-Based ITS Perception [3.1508266388327324]
  本稿では,実世界の背景形状,レーンレベルの道路トポロジ,センサ固有の仕様と配置を組み込んだ高忠実なディジタルツイン(HiFi DT)フレームワークを提案する。 実験の結果、DT訓練モデルでは、実際のデータでトレーニングされた同等のモデルを4.8%上回る結果が得られた。
  論文  参考訳（メタデータ） (2025-09-03T00:12:58Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• Learning Physics From Video: Unsupervised Physical Parameter Estimation for Continuous Dynamical Systems [49.11170948406405]
  本研究では,単一のビデオから既知の連続制御方程式の物理パラメータを推定する教師なし手法を提案する。 Delfys75は5種類の動的システムのための75本のビデオからなる実世界のデータセットだ。
  論文  参考訳（メタデータ） (2024-10-02T09:44:54Z)
• Graph Neural Networks for Virtual Sensing in Complex Systems: Addressing Heterogeneous Temporal Dynamics [8.715570103753697]
  複雑なシステムの信頼性と効率的な運用にはリアルタイム状態監視が不可欠である。 仮想センシングは、利用可能なセンサデータとシステム知識を活用することで制限に対処する。 異種時間グラフニューラルネットワーク(HTGNN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-26T12:16:53Z)
• PeFAD: A Parameter-Efficient Federated Framework for Time Series Anomaly Detection [51.20479454379662]
  私たちはaを提案します。 フェデレートされた異常検出フレームワークであるPeFADは、プライバシーの懸念が高まっている。 我々は、4つの実際のデータセットに対して広範な評価を行い、PeFADは既存の最先端ベースラインを最大28.74%上回っている。
  論文  参考訳（メタデータ） (2024-06-04T13:51:08Z)
• Synthetic location trajectory generation using categorical diffusion models [50.809683239937584]
  拡散モデル(DPM)は急速に進化し、合成データのシミュレーションにおける主要な生成モデルの一つとなっている。 本稿では,個人が訪れた物理的位置を表す変数列である合成個別位置軌跡(ILT)の生成にDPMを用いることを提案する。
  論文  参考訳（メタデータ） (2024-02-19T15:57:39Z)
• Learning IMM Filter Parameters from Measurements using Gradient Descent [45.335821132209766]
  トラック下のターゲットの固有のパラメータは、システムがデプロイされるまで完全に観測不可能である。 最先端のセンサーシステムはますます複雑になり、パラメータの数が自然に増加する。 本稿では,対話型多重モデル (IMM) フィルタのパラメータを計測のみで最適化する。
  論文  参考訳（メタデータ） (2023-07-13T08:35:40Z)

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。