Fugu-MT 論文翻訳(概要): Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction

論文の概要: Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction

arxiv url: http://arxiv.org/abs/2608.19218v2
Date: Sun, 23 Aug 2026 20:21:47 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.269763
Title: Time-Series Retrieval for Grounding Multimodal Language Models in Remaining Useful Life Prediction
Title（参考訳）: 生活予測のためのマルチモーダル言語モデル構築のための時系列検索
Abstract要約: 本稿では、歴史的に類似した劣化セグメントをトレーニングセットから検索し、視覚的比較アーティファクトに変換するフレームワークを提案する。その結果,時系列検索はMLLMに基づくRUL予測を評価モデル間で一貫して改善することがわかった。本研究は、時系列RAGが多モーダルな予後推論を改善するための有望なメカニズムであることを示す。
参考スコア（独自算出の注目度）: 0.19336815376402716
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large language models (LLMs) and agentic AI systems are increasingly being explored for domain-specific maintenance and prognostics tasks, raising the question of whether they can effectively support prognostics and health management (PHM). In this paper, we investigate remaining useful life (RUL) estimation with multimodal large language models (MLLMs) grounded through time-series retrieval. We propose a framework in which historically similar degradation segments are retrieved from the training set and, together with the test trajectory, transformed into a visual comparison artifact that is processed by the MLLM through a structured multimodal prompt. The approach is evaluated on the FD001 partition of the C-MAPSS benchmark under repeated experiments comparing retrieval-based inference against a non-retrieval baseline based on random reference selection. The results show that time-series retrieval consistently improves MLLM-based RUL prediction across the evaluated models, yielding lower error and more stable performance. At the same time, the magnitude of the benefit depends on model capacity, indicating that retrieval is most effective when the underlying MLLM is able to exploit the retrieved evidence. Overall, the study shows that time-series RAG is a promising mechanism for improving multimodal prognostic reasoning, while also highlighting the current limitations of MLLM-based RUL estimation in practical PHM settings.
Abstract（参考訳）: 大規模言語モデル(LLM)とエージェントAIシステムは、ドメイン固有のメンテナンスと予後タスクのために、ますます研究されている。本稿では,時系列検索に基づくマルチモーダル大言語モデル (MLLM) を用いた残効寿命(RUL)の推定について検討する。本稿では, 歴史的に類似した劣化セグメントをトレーニングセットから検索し, テスト軌道とともに, MLLMによって構造化されたマルチモーダルプロンプトによって処理される視覚的比較アーティファクトに変換するフレームワークを提案する。提案手法は,C-MAPSSベンチマークのFD001パーティションを用いて,ランダム参照選択に基づく検索ベースラインと非検索ベースラインの推論を比較した繰り返し実験により評価した。その結果、時系列検索はMLLMに基づくRUL予測を評価モデル全体で一貫して改善し、より低い誤差とより安定した性能が得られることがわかった。同時に、利点の大きさはモデル容量に依存するため、基盤となるMLLMが得られた証拠を活用できる場合に最も有効であることを示す。全体としては、時系列RAGはマルチモーダルな予後推論を改善するための有望なメカニズムであると同時に、実用的なPHM設定におけるMLLMベースのRUL推定の現在の制限を強調している。

関連論文リスト

LIMSSR: LLM-Driven Sequence-to-Score Reasoning under Training-Time Incomplete Multimodal Observations [53.20772659095155]
本稿では、トレーニング時不完全観察において、より困難なIMLの設定に取り組む。本稿では,この課題を条件付きシーケンス推論タスクとして再構成したLIMSSR(LLM-Driven Incomplete Multimodal Sequence-to-Score Reasoning)を提案する。
論文参考訳（メタデータ） (2026-05-01T06:11:42Z)
Is More Context Always Better? Examining LLM Reasoning Capability for Time Interval Prediction [15.45305246863211]
大規模言語モデル(LLM)は、異なるドメインをまたいだ推論と予測において印象的な能力を示している。本稿では,LLMが繰り返しユーザの行動の時間間隔を予測できるかどうかを系統的に検討する。我々は、統計モデルと機械学習モデルの両方に対してゼロショット設定で最先端のLCMをベンチマークする。
論文参考訳（メタデータ） (2026-01-15T07:18:40Z)
Chunks as Arms: Multi-Armed Bandit-Guided Sampling for Long-Context LLM Preference Optimization [56.97588709890706]
LongMab-POは、長文モデリングタスクのための高品質で多様な応答を生成する新しいフレームワークである。実験の結果,LongMab-POは嗜好データペアの多様性と品質を著しく向上させることがわかった。
論文参考訳（メタデータ） (2025-08-19T16:33:55Z)
Model Utility Law: Evaluating LLMs beyond Performance through Mechanism Interpretable Metric [99.56567010306807]
大規模言語モデル(LLM)は、学術、産業、そして日々のアプリケーションに欠かせないものになっている。大規模言語モデル (LLM) 時代における評価の課題の1つは一般化問題である。従来の性能スコアを補完するメカニズムの解釈可能性向上指標であるモデル利用指数(MUI)を提案する。
論文参考訳（メタデータ） (2025-04-10T04:09:47Z)
Large Language Models are Few-shot Multivariate Time Series Classifiers [23.045734479292356]
大規模言語モデル (LLM) は時系列解析に広く応用されている。しかし、数発の分類(すなわち重要な訓練シナリオ)におけるそれらの実用性は過小評価されている。データ不足を克服するために,LLMの学習済み知識を幅広く活用することを目的としている。
論文参考訳（メタデータ） (2025-01-30T03:59:59Z)
Are Large Language Models Useful for Time Series Data Analysis? [3.44393516559102]
時系列データは、医療、エネルギー、金融といった様々な分野において重要な役割を果たす。本研究では,大規模言語モデル(LLM)が時系列データ解析に有効かどうかを検討する。
論文参考訳（メタデータ） (2024-12-16T02:47:44Z)
P-MMEval: A Parallel Multilingual Multitask Benchmark for Consistent Evaluation of LLMs [84.24644520272835]
本稿では,P-MMEvalを提案する。P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P-MMEval,P -M P-MMEvalは、さまざまなデータセットにわたって一貫した言語カバレッジを提供し、並列サンプルを提供する。我々は、モデルとタスク間の性能を比較するために、代表的多言語モデル系列に関する広範な実験を行う。
論文参考訳（メタデータ） (2024-11-14T01:29:36Z)
A Comprehensive Evaluation of Large Language Models on Temporal Event Forecasting [45.0261082985087]
時間的事象予測のための大規模言語モデル(LLM)を総合的に評価する。テキストによる微調整 LLM は性能を著しく向上させることができる。しかし、LLMでは人気バイアスやロングテール問題などの問題が続いている。
論文参考訳（メタデータ） (2024-07-16T11:58:54Z)
TRAM: Benchmarking Temporal Reasoning for Large Language Models [12.112914393948415]
10個のデータセットからなる時間的推論ベンチマークであるTRAMを紹介する。 GPT-4やLlama2のような一般的な言語モデルをゼロショットや少数ショットのシナリオで評価する。以上の結果から,最も優れたモデルラグは人的パフォーマンスに大きく遅れていることが示唆された。
論文参考訳（メタデータ） (2023-10-02T00:59:07Z)
Learning representations with end-to-end models for improved remaining useful life prognostics [64.80885001058572]
残りの設備の実用寿命(RUL)は、現在の時刻と故障までの期間として定義される。マルチ層パーセプトロンと長期メモリ層(LSTM)に基づくエンドツーエンドのディープラーニングモデルを提案し、RULを予測する。提案するエンド・ツー・エンドのモデルがこのような優れた結果を達成し、他のディープラーニングや最先端の手法と比較する方法について論じる。
論文参考訳（メタデータ） (2021-04-11T16:45:18Z)

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。