論文の概要: FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model

• arxiv url: http://arxiv.org/abs/2609.20535v1
• Date: Thu, 17 Sep 2026 15:07:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.333721
• Title: FreqCondNorm: Towards Cross-domain Predictive Maintenance through a Frequency-Conditioned Transformer Foundation Model
• Title（参考訳）: FreqCondNorm: 周波数指定トランスフォーマー基礎モデルによるクロスドメイン予測保守を目指して
• Abstract要約: 深い予測的メンテナンスモデルは、マシン間の転送可能性の低下と運用条件に悩まされる。 本稿では,FreqCondNormを提案する。FreqCondNormは,FILM方式の周波数正規化層を導入するトランスフォーマーアーキテクチャである。 アーキテクチャは5つのパブリックな予測メンテナンスデータセットで事前トレーニングされている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning predictive maintenance models suffer from poor transferability across machines and operating conditions, especially when labelled data are scarce and signals span five orders of magnitude in sampling frequency (1 Hz to ~100 kHz). We propose FreqCondNorm, a Transformer-based architecture that introduces a FiLM-style frequency-conditioned normalization layer to unify heterogeneous time-series within a single model. The architecture is pretrained on five public predictive maintenance datasets (CWRU, MFPT, UOC18, PRONOSTIA, CMAPSS) using masked auto-encoding and contrastive learning with balanced domain sampling. On fault diagnosis, the model achieves 99.2% accuracy on CWRU (+6.4 pp over CNN) and 82.1% zero-shot accuracy on MFPT, demonstrating strong transfer across sampling frequencies. However, the approach does not improve remaining useful life prediction, suggesting a mismatch between pretraining and RUL objectives that warrants future investigation.
• Abstract（参考訳）: 深層学習予測保守モデルは、特にラベル付きデータが不足し、信号がサンプリング周波数(1Hzから100kHz)の5桁に及ぶ場合、機械間での転送可能性の低下に悩まされる。 本稿では,FreqCondNormを提案する。FreqCondNormはトランスフォーマーをベースとしたアーキテクチャで,FreqCondNormはFILMスタイルの周波数条件正規化レイヤを導入し,異種時系列を単一モデルに統一する。 このアーキテクチャは、マスク付き自動エンコーディングとバランスの取れたドメインサンプリングによるコントラスト学習を使用して、5つのパブリックな予測保守データセット(CWRU、MFPT、UOC18、PRONOSTIA、CMAPSS)で事前訓練されている。 故障診断では、CWRUで99.2%の精度(CNNで+6.4pp)、MFPTで82.1%のゼロショット精度を実現し、サンプリング周波数間で強い転送を示す。 しかし、この手法は、今後の調査を保証している事前訓練目標とRUL目標とのミスマッチを示唆する、有用な生活予測の改善には至らない。

関連論文リスト

• SOTER: A Generative Time-Series Foundation Model for Wearable Human Physiological Signals [29.86069351223442]
  本稿では, クロスチャネル結合, スペクトル誘導専門家専門化, および1つの事前学習フレームワーク内での連続潜時進化を統一するウェアラブル生理時系列生成基盤モデルSOTERを提案する。 我々は,5つの公開生理学的データセットから226億のタイムポイントを事前トレーニングし,分布外ゼロショット予測,フリーズエンコーダ線形プローブ分類,ウェアラブルベンチマークにおける連続的インキュベーションを含む,同じトレーニング済みモデルを評価する。
  論文  参考訳（メタデータ） (2026-09-15T08:11:03Z)
• S$^3$AM: A Single-Stream SAM with Reliability-Calibrated Frequency Adapter for Multi-modal Salient Object Detection [74.15663758681849]
  シングルストリームフレームワークは、信頼性キャリブレーションされた周波数適応をMSOD用のSAMバックボーンに組み込む。 RGB-D、RGB-T、RGB-NIRの正当性オブジェクト検出ベンチマークの実験により、提案フレームワークが競合性能を達成することを確認した。
  論文  参考訳（メタデータ） (2026-08-18T08:05:00Z)
• UniSkip-Mamba: A Frequency-Aware State Space Model for Audio-Visual Temporal Forgery Localization [13.738195795114516]
  周波数対応状態空間モデルフレームワークUniSkip-Mambaを提案する。 AV-Deepfake1Mでは63.4%のAP@0.95,63.58%のmAP,6倍の高速化を実現した。
  論文  参考訳（メタデータ） (2026-07-05T20:51:24Z)
• Posterior Augmented Flow Matching [64.1559809786948]
  後拡張フローマッチング(PAFM)はフローマッチング(FM)の一般化である PAFMは、異なるモデルスケールで最大3.4FID50KでFMよりも改善されていることを示す。
  論文  参考訳（メタデータ） (2026-05-01T17:59:59Z)
• Sampling Matters: The Effect of ECG Frequency on Deep Learning-Based Atrial Fibrillation Detection [0.5618963890305396]
  我々は、厳密な患者安全クロスバリデーションフレームワークを用いて、標準1次元畳み込みニューラルネットワーク(CNN)とハイブリッドCNN-Long Short-Term Memory(LSTM)アーキテクチャを評価した。 分析の結果,サンプリング周波数が検出指標にアーキテクチャ依存的な影響があることが判明した。 心電図サンプリング周波数は不整脈検出において重要で未承認な要因である。
  論文  参考訳（メタデータ） (2026-04-06T20:34:42Z)
• FreqMoE: Enhancing Time Series Forecasting through Frequency Decomposition Mixture of Experts [14.01018670507771]
  本稿では,時系列データを周波数帯域に分解する周波数分解混合(FreqMoE)モデルを提案する。 ゲーティング機構は、周波数特性に基づいて専門家の各出力の重要度を調整する。 FreqMoEは最先端のモデルよりも優れています。
  論文  参考訳（メタデータ） (2025-01-25T08:25:52Z)
• FlowTS: Time Series Generation via Rectified Flow [67.41208519939626]
  FlowTSは、確率空間における直線輸送を伴う整流フローを利用するODEベースのモデルである。 非条件設定では、FlowTSは最先端のパフォーマンスを達成し、コンテキストFIDスコアはStockとETThデータセットで0.019と0.011である。 条件設定では、太陽予測において優れた性能を達成している。
  論文  参考訳（メタデータ） (2024-11-12T03:03:23Z)
• FreDF: Learning to Forecast in the Frequency Domain [54.2091536822376]
  時系列モデリングは、歴史的データと将来のシーケンスの両方における自己相関による固有の課題を提示する。 本稿では,周波数領域の予測学習によりラベル自己相関を緩和する周波数強調直接予測(FreDF)を提案する。
  論文  参考訳（メタデータ） (2024-02-04T08:23:41Z)
• Transform Once: Efficient Operator Learning in Frequency Domain [69.74509540521397]
  本研究では、周波数領域の構造を利用して、空間や時間における長距離相関を効率的に学習するために設計されたディープニューラルネットワークについて検討する。 この研究は、単一変換による周波数領域学習のための青写真を導入している。
  論文  参考訳（メタデータ） (2022-11-26T01:56:05Z)
• Semantic Perturbations with Normalizing Flows for Improved Generalization [62.998818375912506]
  我々は、非教師付きデータ拡張を定義するために、潜在空間における摂動が利用できることを示す。 トレーニングを通して分類器に適応する潜伏性対向性摂動が最も効果的であることが判明した。
  論文  参考訳（メタデータ） (2021-08-18T03:20:00Z)

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。