論文の概要: IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring
- arxiv url: http://arxiv.org/abs/2609.08375v1
- Date: Tue, 08 Sep 2026 07:43:04 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.610121
- Title: IPM-FM: A Foundation Model with Consensus Feature Selection for Industrial Process Monitoring
- Title（参考訳）: IPM-FM:産業プロセスモニタリングのためのコンセンサス特徴選択基礎モデル
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 59.59850511287819
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Industrial process monitoring is fundamental to the safety and economic performance of modern process plants. Current practice remains a one-task-one-model paradigm that is label-inefficient and prone to degradation under operating drift. Foundation models have reshaped language, vision, and generic time-series forecasting, but it has not been adapted to industrial process monitoring. This setting poses domain-specific challenges, including safety-critical decisions and asymmetric sampling between process variables and laboratory measurements. We propose the industrial process monitoring foundation model (IPM-FM). It first learns general-purpose representations from unlabeled industrial process data through self-supervised pretraining, then adapts to specific monitoring tasks using a small amount of task-labeled data, and finally produces calibrated predictions through an uncertainty-aware prediction head. IPM-FM integrates a self-supervised Informer backbone with a multi-criteria consensus feature selector, a recursive lag-feature regression head, and a calibrated Monte Carlo dropout uncertainty module. On a seven-year hydrotreater dataset for diesel flash-point soft sensing, IPM-FM attains an RMSE of 2.99, $R^2$ of 0.50, and 97\% coverage of its 95\% predictive interval, outperforming the strongest classical and from-scratch sequence baselines by 8.3\% and 14.6\% in RMSE respectively, supporting the viability of a unified pretraining--adaptation framework for industrial process monitoring.
- Abstract（参考訳）: 産業プロセスモニタリングは、現代のプロセスプラントの安全性と経済性に欠かせないものである。
現在の実践は、ラベル非効率であり、操作ドリフト下で劣化する傾向があるワンタスク・ワン・モデルパラダイムのままである。
基礎モデルは、言語、ビジョン、一般的な時系列予測を再形成してきたが、産業プロセスの監視には適用されなかった。
この設定は、安全クリティカルな決定やプロセス変数と実験室の測定の間の非対称サンプリングを含む、ドメイン固有の課題を提起する。
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、ラベルなし産業プロセスデータから汎用的な表現を学習し、少量のタスクラベル付きデータを用いて特定の監視タスクに適応し、最後に不確実性を認識した予測ヘッドによって校正された予測を生成する。
IPM-FMは、自己監督型Informerバックボーンと、マルチ基準コンセンサス機能セレクタ、再帰的なラグ機能回帰ヘッド、キャリブレーションされたモンテカルロドロップアウト不確かさモジュールを統合している。
ディーゼルフラッシュポイントソフトセンシングのための7年間のハイドロハンドデータセットにおいて、IMM-FMはRMSEの2.99、$R^2$の0.50、97\%の予測間隔をカバーし、RMSEにおける最強の古典的およびオフスクラッチシーケンスのベースラインを8.3\%、14.6\%で上回り、産業プロセス監視のための統一事前訓練適応フレームワークの実現をサポートする。
関連論文リスト
- Exploring Zero-Shot Foundation Models for Multivariate Time Series Anomaly Detection [4.468174618435543]
MTSADは、産業プロセス監視や金融リスク管理といった分野における信頼性と安全性に不可欠である。
ファンデーションモデル(FM)は、強いゼロショットの一般化を伴う幅広いデータに基づいて事前訓練される。
安全水処理 (SWaT) ベンチマークにおいて, FM の産業用 MTSAD へのゼロショット適用について検討した。
論文 参考訳（メタデータ） (2026-07-14T07:32:08Z) - Scalable and Trustworthy Earth Observation Foundation Models [0.0]
ファンデーションモデル(FM)は、機械学習を独立したタスク固有モデルから、幅広いデータに基づいて事前訓練された汎用モデルに変換した。
この章は、リモートセンシング(RS)におけるFMのパラダイムを定義し、現在のモデルランドスケープを合成する。
この章は、単一の地理空間基盤モデルが普遍的に最良のものではないことを示す最近のベンチマークエビデンスも含んでいる。
論文 参考訳（メタデータ） (2026-07-08T14:31:02Z) - LiveFMBench: Unveiling the Power and Limits of Agentic Workflows in Specification Generation [75.05397479715576]
大規模言語モデル(LLM)とエージェントは有望な進歩を示しているが、その真の能力と失敗モードは未だ不明である。
CプログラムのためのLCMおよびエージェントベースの形式仕様生成に関する、最初の体系的および汚染に配慮した研究を提案する。
論文 参考訳（メタデータ） (2026-05-02T11:31:33Z) - SMFormer: Empowering Self-supervised Stereo Matching via Foundation Models and Data Augmentation [55.67206878777881]
本稿では、VFM(Vision Foundation Model)とデータ拡張によって導かれる、より信頼性の高いセルフスーパービジョンを統合するフレームワークであるSMFormerを提案する。
SMFormerは、自己教師付きメソッド間での最先端(SOTA)のパフォーマンスを達成し、教師付きメソッドと同等に競合する。
論文 参考訳（メタデータ） (2026-04-11T13:56:41Z) - FORGE: Fine-grained Multimodal Evaluation for Manufacturing Scenarios [58.34124792457706]
製造業セクターは、単純な認識から自律的な実行に移行するために、MLLM(Multimodal Large Language Models)をますます採用している。
進捗は、データの不足と、既存のデータセットにおけるきめ細かいドメインセマンティクスの欠如によって妨げられている。
まず、実世界の2D画像と3Dポイントクラウドを組み合わせて、微粒なドメインセマンティクスを付加した高品質なデータセットを構築します。
次に, 3 つの製造課題,すなわち, 構造面検査, 組立検査, 組立検証の18の最先端MLLMを評価し, 大幅な性能差を明らかにした。
論文 参考訳（メタデータ） (2026-04-08T12:23:27Z) - Towards Intrinsically Calibrated Uncertainty Quantification in Industrial Data-Driven Models via Diffusion Sampler [14.082853486359738]
本稿では, 忠実な後方サンプリングによる予測不確かさを本質的に再現する拡散型後方サンプリングフレームワークを提案する。
その結果、産業アプリケーションにおける不確実性を考慮したモデリングを進化させるための原則的かつスケーラブルなパラダイムとして拡散サンプリングが強調された。
論文 参考訳（メタデータ） (2026-04-02T10:28:19Z) - MsFormer: Enabling Robust Predictive Maintenance Services for Industrial Devices [53.94035827454474]
信頼性の高い産業用予測保守のための統合型AIサービスモデルとして設計された軽量なマルチスケールトランスを提案する。
MsFormerには、マルチスケールサンプリング(MS)モジュールと、シーケンシャルな相関をキャプチャするための調整された位置符号化機構が組み込まれている。
実世界のデータセットの実験では、提案したフレームワークが最先端の手法よりも大幅なパフォーマンス向上を実現している。
論文 参考訳（メタデータ） (2026-03-24T11:12:50Z) - TimeSeriesScientist: A General-Purpose AI Agent for Time Series Analysis [25.377586527585503]
TimeSeriesScientist(TSci)は時系列予測のための一般的なドメインに依存しないフレームワークである。
これはそれぞれ平均10.4%と38.2%の予測誤差を減少させる。
透明な自然言語の合理性と包括的な報告により、TSciは予測をホワイトボックスシステムに変換する。
論文 参考訳（メタデータ） (2025-10-02T00:18:59Z) - Predictable MDP Abstraction for Unsupervised Model-Based RL [93.91375268580806]
予測可能なMDP抽象化(PMA)を提案する。
元のMDPで予測モデルを訓練する代わりに、学習されたアクション空間を持つ変換MDPでモデルを訓練する。
我々はPMAを理論的に解析し、PMAが以前の教師なしモデルベースRLアプローチよりも大幅に改善することを示す。
論文 参考訳（メタデータ） (2023-02-08T07:37:51Z) - End-to-End Multi-Object Detection with a Regularized Mixture Model [26.19278003378703]
近年のエンド・ツー・エンド多目的検出器は手作りのプロセスを取り除き、推論パイプラインを単純化している。
本稿では,NLL(負対数類似度)と正規化項(正則化項)の2項のみからなるエンドツーエンドの多対象検出器を訓練するための新しい枠組みを提案する。
論文 参考訳（メタデータ） (2022-05-18T04:20:23Z)
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。