論文の概要: Quantile-Led Feature Extraction for Multi-Horizon Predictive Maintenance in Industrial Manufacturing Systems
- arxiv url: http://arxiv.org/abs/2609.07533v1
- Date: Mon, 07 Sep 2026 14:13:21 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.441864
- Title: Quantile-Led Feature Extraction for Multi-Horizon Predictive Maintenance in Industrial Manufacturing Systems
- Title（参考訳）: 産業生産システムにおけるマルチ水平予測保守のための量子線特徴抽出
- Abstract要約: 本稿では,2段階の表現階層に基づく量的特徴抽出フレームワークを提案する。
固定13ピペリンアブレーションは、工業施設9カ所で72台のマシンで1時間、70時間、30日に及ぶ。
その結果, 特徴量, 時間埋め込み, アクティベーション戦略, センサ幅を予測タスクで拡張しなければ, 表現は設計の地平線を超えて確実に伝達されないことがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: In data-driven predictive maintenance (PdM), feature extraction is usually treated as fixed preprocessing: a descriptor set is chosen once and reused while the downstream model or forecasting horizon changes. This paper isolates the representation-learning stage and presents a quantile-led feature-extraction framework based on a dual-stage MLP-QRNN hierarchy. QRNN1 learns a broad ten-quantile conditional distribution for each sensor channel, while skip-connected QRNN2 refines a retained mid-tail quantile set into compact, channel-resolved, distribution-aware features. A fixed thirteen-pipeline ablation spans 1-hour, 70-hour, and 30-day regimes across 72 machines in 9 industrial facilities, with the downstream temporal classifier held fixed within each regime. Increasing the retained mid-tail set from two to four quantiles improves 30- and 60-minute F1-score, reaching 75.92% and 72.44% with attention enabled. The results also show that representations do not transfer reliably beyond their design horizon unless feature capacity, temporal embedding, activation strategy, and sensor breadth are scaled with the forecasting task. The unmodified short-horizon extractor falls to 42.90% F1 at 70 hours, whereas horizon-conditioned extractors reach 60.38% at 70 hours and 79.97% at 30 days. The framework therefore supports treating PdM feature extraction as a horizon-dependent representational stage rather than fixed preprocessing.
- Abstract（参考訳）: データ駆動型予測保守(PdM)では、機能抽出は通常、固定前処理として扱われる。
本稿では、表現学習段階を分離し、デュアルステージMLP-QRNN階層に基づく量子型特徴抽出フレームワークを提案する。
QRNN1は、各センサチャネルに対して広範囲な10量子条件分布を学習し、スキップ接続されたQRNN2は、保持されたミドルテール量子化セットを、小型でチャネル解決された分散認識機能に洗練する。
固定13ピペリンアブレーションは、72台の工業施設にまたがる1時間、70時間、30日間の体制にまたがっており、下流の時間分類器は各体制内で固定されている。
保持されたミドルテールセットを2つから4つに増やすことで30分と60分のF1スコアが向上し、注意を払って75.92%と72.44%に達した。
また, 特徴量, 時間埋め込み, アクティベーション戦略, センサ幅を予測タスクで拡張しなければ, 表現が設計の地平線を超えて確実に伝達されないことを示す。
修正されていない短水平抽出機は70時間で42.90%F1に減少し、水平条件の抽出機は70時間で60.38%、30日で79.97%に達する。
したがって、このフレームワークはPdM特徴抽出を固定前処理よりも水平依存的な表現段階として扱うことをサポートしている。
関連論文リスト
- Long Horizon Transformer Quantile Fault Prediction for Multi Site Industrial Predictive Maintenance [0.0]
ロングホライズン予測メンテナンスは、時間ではなく数日で測定される計画ウィンドウに対して、通常の運用/登録の変動からゆっくりと変化する劣化を区別するモデルを必要とする。
本稿では,明示的な条件量子表現が,この問題に対して情報型分類器インタフェースを提供するか否かを評価する。
提案するTQRNN30dフレームワークは,2段量子回帰ニューラルネットワーク(QRNN)特徴抽出器とマルチストリーム時間融合分類器を組み合わせたものである。
論文 参考訳（メタデータ） (2026-09-04T07:57:33Z) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - SPLICE: Latent Diffusion over JEPA Embeddings for Conformal Time-Series Inpainting [0.5076419064097734]
時系列計算のための生成モデルは、強い復元精度を実現するが、有限サンプル信頼性保証は提供しない。
SPLICEは分散のないオンライン適応予測区間と遅延生成計算を結合したモジュラーフレームワークである。
プールされたJEPAエンコーダは、9つのフィードでトレーニングされ、4つの見えないドメインに転送される。
論文 参考訳（メタデータ） (2026-04-30T18:27:08Z) - Lightweight Distillation of SAM 3 and DINOv3 for Edge-Deployable Individual-Level Livestock Monitoring and Longitudinal Visual Analytics [0.3609538870261841]
個別レベルの家畜モニタリングのための基礎モデルパイプラインは、精度の高い家畜栽培の精度を高める。
しかし、GPUメモリの予算は、コモディティエッジアクセラレーターのエンベロープを超えている。
このギャップを埋めるため、SAM 3のバックボーンは40.66Mスケールのマルチスケールの学生に蒸留される。
このパイプラインは9級豚の行動分類において97.34%の精度で91.67%のマクロF1を達成している。
論文 参考訳（メタデータ） (2026-04-29T19:25:22Z) - SepSeq: A Training-Free Framework for Long Numerical Sequence Processing in LLMs [51.84813231879529]
本稿では,セパレータトークンを戦略的に挿入することで分散を緩和する学習自由なプラグアンドプレイフレームワークを提案する。
メカニカルには、セパレータトークンが注目シンクとして機能し、グローバルなコンテキストを維持しながら、局所的なセグメントに注意を向けることが示される。
論文 参考訳（メタデータ） (2026-04-09T02:40:34Z) - Multivariate time-series forecasting of ASTRI-Horn monitoring data: A Normal Behavior Model [29.749836788447226]
この分析は、望遠鏡制御ユニットが2022年9月から2024年7月までに取得した15の物理変数に焦点を当てた。
このモデルは、異なる機能とI-T構成で一貫した結果を示した。
提案したNBMは,オンラインASTRI-Horn監視時系列における早期異常検出を可能にする強力なツールを提供する。
論文 参考訳（メタデータ） (2026-02-23T15:51:50Z) - FEATHer: Fourier-Efficient Adaptive Temporal Hierarchy Forecaster for Time-Series Forecasting [9.351893367343868]
時系列の予測は製造業やスマートファクトリといった産業分野において基本である。
本稿では,厳密な制約下での正確な長期予測のために,FEATHer(Fourier-Efficient Adaptive Temporal Hierarchy Forecaster)を提案する。
論文 参考訳（メタデータ） (2026-01-16T14:57:41Z) - D2Pruner: Debiased Importance and Structural Diversity for MLLM Token Pruning [49.16227597771663]
D2Prunerは、デバイアスされた重要性と構造的なプルーニングメカニズムを組み合わせたフレームワークである。
FLOPを74.2%削減し、元の性能の99.2%を維持した。
既存の手法に比べて63.53%も改善されている。
論文 参考訳（メタデータ） (2025-12-22T14:42:31Z) - It Takes Two: Masked Appearance-Motion Modeling for Self-supervised
Video Transformer Pre-training [76.69480467101143]
自己監督型ビデオトランスフォーマーの事前トレーニングは、最近マスク・アンド・予測パイプラインの恩恵を受けている。
本稿では,映像中の動きの手がかりを余分な予測対象として明示的に調査し,マスケッド・出現運動モデリングフレームワークを提案する。
一般的なビデオ表現を学習し、Kinects-400で82.3%、Something V2で71.3%、UCF101で91.5%、HMDB51で62.5%を達成する。
論文 参考訳（メタデータ） (2022-10-11T08:05:18Z) - Distortion-Aware Loop Filtering of Intra 360^o Video Coding with
Equirectangular Projection [81.63407194858854]
等角射影(ERP)フォーマットで投影された360$o$ビデオの符号化性能を向上させるため,歪みを考慮したループフィルタリングモデルを提案する。
提案モジュールは、符号化ユニット(CU)パーティションマスクに基づいてコンテンツ特性を分析し、部分的畳み込みによって処理し、指定された領域を活性化する。
論文 参考訳（メタデータ） (2022-02-20T12:00:18Z)
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。