論文の概要: Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study
- arxiv url: http://arxiv.org/abs/2608.22968v1
- Date: Mon, 24 Aug 2026 08:30:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:43.993184
- Title: Do Time-Series Foundation Models Pay Off for Industrial Monitoring? A Cost-Aware Empirical Study
- Title（参考訳）: 時系列ファウンデーションモデルは産業モニタリングに役立ちますか? : 費用対効果に関する実証的研究
- Abstract要約: 時系列基礎モデル(TSFM)は再利用可能な表現とゼロショット予測を約束する。
本研究は,3つの設定にまたがってプロトコルを考慮した経験的評価を示す。
- 参考スコア（独自算出の注目度）: 1.8419890068150178
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Industrial monitoring models must detect operationally relevant deviations while satisfying target-specific data, calibration, and resource constraints. Time-series foundation models (TSFMs) promise reusable representations and zero-shot forecasts, yet evidence for their deployment value remains mixed when task definitions are heterogeneous and lightweight baselines are competitive. This work presents a protocol-aware empirical assessment across three settings: a C-MAPSS degradation-risk proxy, normal-only training for anomalous-sound detection on MIMII, and BDG2 forecasting-residual diagnostics with synthetic target perturbations. We assess classical one-class methods, compact neural autoencoders, residual forecasters, MOMENT-small, Chronos-T5, and TimesFM 2.5 in terms of anomaly-ranking performance, risk-horizon sensitivity, residual forecasting and perturbation sensitivity, and local implementation cost. Across 100 C-MAPSS engines evaluated out of fold, TCN-AE reaches fold-weighted AUROC/AUPRC 0.9570/0.8960, compared with 0.7310/0.3080 for MOMENT reconstruction; paired engine-cluster bootstrap confidence intervals exclude zero for both differences. Across five matched MIMII pump evaluations, OCSVM also exceeds MOMENT reconstruction in AUROC and AUPRC. On a fixed 12-meter BDG2 panel, TimesFM 2.5 has the lowest aligned forecast error and the highest synthetic AUROC point estimate, although synthetic AUPRC is similar across TSFM and fitted residual models. Same-device measurements show that MOMENT incurs higher latency, peak allocated VRAM, and serialized state-dictionary size than TCN-AE. Under the evaluated frozen and zero-shot settings, TSFMs are task-dependent deployment options rather than default replacements for fitted lightweight models.
- Abstract（参考訳）: 産業モニタリングモデルは、ターゲット固有のデータ、キャリブレーション、リソース制約を満たしながら、運用上の関連した逸脱を検出する必要がある。
時系列基礎モデル(TSFM)は、再利用可能な表現とゼロショット予測を約束するが、タスク定義が不均一で軽量なベースラインが競合する場合には、その展開価値の証拠が混在している。
本研究は、C-MAPSS劣化リスクプロキシ、MIMIIにおける異常音検出のための正規学習、および合成目標摂動を用いたBDG2予測残差診断の3つの設定にまたがって、プロトコルを意識した経験的評価を示す。
我々は,古典的な一級法,コンパクトなニューラルオートコーダ,残留予測器,MOMENT-small,Chronos-T5,TimesFM 2.5を,異常レベルの性能,リスク-水平感度,残差予測および摂動感度,局所的な実装コストの観点から評価した。
折り畳み式で評価された100基のC-MAPSSエンジンのうち、TN-AEはAUROC/AUPRC 0.9570/0.8960に到達し、MOMENTでは0.7310/0.3080となった。
MIMII ポンプ評価では,OCSVM は AUROC と AUPRC の MOMENT の復元に勝っている。
固定12mのBDG2パネル上では、TimesFM 2.5は、TSFMと装着された残差モデルの間で類似しているが、最も低い整列予測誤差と最も高い合成AUROC点推定値を有する。
同じデバイスで測定すると、MOMENTはTN-AEよりもレイテンシが高く、ピークに割り当てられたVRAM、シリアライズされた状態辞書サイズを発生させる。
評価された凍結およびゼロショット設定の下では、TSFMは搭載された軽量モデルのデフォルトの置き換えではなく、タスク依存のデプロイメントオプションである。
関連論文リスト
- IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring [59.59850511287819]
産業プロセス監視基盤モデル(IPM-FM)を提案する。
まず、自己教師付き事前学習を通じて、ラベルのない産業プロセスデータから汎用的な表現を学習する。
少数のタスクラベル付きデータを使用して特定の監視タスクに適応し、最終的に校正された予測を生成する。
論文 参考訳（メタデータ） (2026-09-08T07:43:04Z) - Large-Small Model Collaboration for Zero-Shot Surgical Phase Recognition [45.191945465591374]
外科的位相認識のためのタスク固有の軽量モデルは、時間的ダイナミクスを捉えるのに優れているが、ドメインシフト下での一般化は不十分である。
textbfLarge-textbfSmall textbfTemporal adaptation (textbfLaST)を提案する。
論文 参考訳（メタデータ） (2026-08-24T07:06:52Z) - Zero-Shot Heart Rate Variability Forecasting from Consumer Wearables Using Time Series Foundation Models [5.572607261284016]
短期心拍変動(HRV)予測は、臨床医に自律神経機能障害や心不全を検知するための実用的なリードタイムを提供する可能性がある。
消費者ウェアラブルデバイスは、従来の予測アプローチに挑戦する断片的でアーティファクトに富んだHRV信号を生成する。
本研究では,Time Series Foundation Models(TSFM),TimeFM,Chronos,MOIRAIの3つの予測能力について検討した。
論文 参考訳（メタデータ） (2026-07-22T11:12:07Z) - Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。
我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。
ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
論文 参考訳（メタデータ） (2026-07-07T10:10:00Z) - Anomaly Detection in IEC-61850 GOOSE Networks: Evaluating Unsupervised and Temporal Learning for Real-Time Intrusion Detection [0.0]
IEC-61850 GOOSEプロトコルは、現代のデジタルサブステーションにおける時間クリティカル通信の基盤となっている。
この設定での侵入検出は、厳密なレイテンシ制約(sub-4ms)とラベル付きアタックデータの可用性の制限により困難である。
本稿では,GOOSEネットワークにおいて,教師なしの時間的モデリングが効果的かつデプロイ可能な異常検出を可能にするか否かを評価する。
論文 参考訳（メタデータ） (2026-04-14T20:13:55Z) - Real-Time Proactive Anomaly Detection via Forward and Backward Forecast Modeling [0.0]
本稿では,前向き予測モデル (FFM) と後向き再構成モデル (BRM) の2つの前向きな異常検出フレームワークを紹介する。
FFMは破壊を予想する将来のシーケンスを予測し、BRMは将来の状況から最近の歴史を再構築し、初期の前駆体を明らかにする。
我々のモデルは連続的および離散的多変量特徴の両方をサポートし、実環境における堅牢な性能を実現する。
論文 参考訳（メタデータ） (2026-02-12T03:57:41Z) - Echo State Networks for Time Series Forecasting: Hyperparameter Sweep and Benchmarking [51.56484100374058]
我々は、完全に自動で純粋にフィードバック駆動のESNが、広く使われている統計的予測手法の代替となるかどうかを評価する。
予測精度は、MASEとsMAPEを用いて測定され、ドリフトや季節予測、統計モデルといった単純なベンチマークと比較される。
論文 参考訳（メタデータ） (2026-02-03T16:01:22Z) - EVEREST: An Evidential, Tail-Aware Transformer for Rare-Event Time-Series Forecasting [4.551615447454767]
EVERESTは確率的レアイベント予測のためのトランスフォーマーベースのアーキテクチャである。
キャリブレーションされた予測とテールアウェアのリスク推定を提供する。
産業監視、天気予報、衛星診断などの高度な分野に適用できる。
論文 参考訳（メタデータ） (2026-01-26T23:15:20Z) - Agentic World Modeling for 6G: Near-Real-Time Generative State-Space Reasoning [70.56067503630486]
第6世代(6G)インテリジェンスは、流動的なトークン予測ではなく、想像と選択の能力を校正している、と我々は主張する。
We showed that WM-MS3M cuts mean absolute error (MAE) by 1.69% vs MS3M with 32% less parameters and similar latency, and achieve a 35-80% lower root mean squared error (RMSE) than attention/hybrid baselines with 2.3-4.1x faster inference。
論文 参考訳（メタデータ） (2025-11-04T17:22:22Z) - CoRA: Covariate-Aware Adaptation of Time Series Foundation Models [47.20786327020571]
Time Series Foundation Models (TSFM) は、そのモデル容量、スケーラビリティ、ゼロショットの一般化を通じて、大きな影響を与えている。
TSFMのための一般共変量認識適応(CoRA)フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-14T16:20:00Z) - Benchmarking Machine Learning Models for Fault Classification and Localization in Power System Protection [10.403249318465468]
本研究は、EMTデータに基づく電力系統保護における故障分類(FC)と故障局所化(FL)に関する古典的機械学習モデルの比較ベンチマーク研究である。
最高性能のFCモデルは0.992$pm$0.001のF1スコアを獲得し、上位のFLモデルは0.806$pm$0.008のR2スコアに達し、平均処理時間は0.563msとなった。
論文 参考訳（メタデータ） (2025-10-01T12:44:14Z) - CRTRE: Causal Rule Generation with Target Trial Emulation Framework [47.2836994469923]
ターゲットトライアルエミュレーションフレームワーク(CRTRE)を用いた因果ルール生成という新しい手法を提案する。
CRTREは、アソシエーションルールの因果効果を推定するためにランダム化トライアル設計原則を適用している。
次に、病気発症予測などの下流アプリケーションにそのような関連ルールを組み込む。
論文 参考訳（メタデータ） (2024-11-10T02:40:06Z)
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。