論文の概要: Multi-Term Fourier Graph Neural Network with Sample Relationship Learning for Enhanced Remaining Useful Life Prediction

• arxiv url: http://arxiv.org/abs/2609.25179v1
• Date: Mon, 21 Sep 2026 14:48:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-23 18:04:04.0515
• Title: Multi-Term Fourier Graph Neural Network with Sample Relationship Learning for Enhanced Remaining Useful Life Prediction
• Title（参考訳）: 余剰余命予測のためのサンプル関係学習付き多項フーリエグラフニューラルネットワーク
• Abstract要約: MTFGN-SRL(Multi-Term Graph Neural Network)と呼ばれる新しいフレームワークを提案する。 本稿では,複数のルックバックウィンドウを用いて,様々な用語でサンプルを生成する多言語学習モジュールを提案する。 また、異種GNNを訓練し、サンプル間の関係を識別するサンプル関係学習モジュールを開発する。
• 参考スコア（独自算出の注目度）: 15.392818864851654
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the remaining useful life (RUL) is essential for effective predictive maintenance. Spatio-Temporal Graph Neural Networks (ST-GNNs), which can model both temporal and spatial relationships by representing time series data as a sequence of graphs, have shown exceptional performance in RUL prediction. However, current ST-GNNs face several drawbacks. First, they require domain expertise or significant computational power to establish graph structures prior to deploying GNNs. Second, the models are restricted to capture temporal dependencies within a predefined fixed-size lookback window. This restriction ignores the common issue of varying time series lengths, leading the prediction model to miss short-term or long-term dependencies. Finally, conventional models often fail to capture the inherent relationships between samples generated from adjacent time windows, which are crucial for improving both the accuracy and robustness of predictions. To address the aforementioned issues, we introduce a novel framework called Multi-Term Fourier Graph Neural Network with Sample Relationship Learning (MTFGN-SRL). Rather than treating the sample as a sequence of graphs, we consider it as a single complete graph and utilize a Fourier Graph Neural Network (FGN) to capture the spatio-temporal information in the frequency domain. We propose a multi-term learning module that utilizes multiple lookback windows to generate samples with varying terms, which are then fed into the FGN to enhance the extraction of useful information from the data. Finally, we develop a sample relationship learning module by training a heterogeneous GNN to identify inter-sample relationships, resulting in enhanced accuracy and robustness in predictions. Evaluations on the CMAPSS dataset demonstrate MTFGN-SRL's superior performance over state-of-the-art methods in RUL prediction.
• Abstract（参考訳）: 有効性維持には, 余寿命予測 (RUL) が不可欠である。 時系列データをグラフの列として表現することで時間的・空間的関係をモデル化できる時空間グラフニューラルネットワーク(ST-GNN)は、RUL予測において例外的な性能を示した。 しかし、現在のST-GNNはいくつかの欠点に直面している。 まず、GNNをデプロイする前にグラフ構造を確立するためには、ドメインの専門知識や重要な計算能力が必要です。 第二に、モデルは予め定義された固定サイズのルックバックウィンドウ内で時間的依存関係をキャプチャするために制限される。 この制限は、様々な時系列の長さの一般的な問題を無視し、予測モデルが短期または長期の依存関係を見逃す原因となる。 最後に、従来のモデルでは、隣接する時間窓から生成されたサンプル間の固有の関係を捉えることができず、予測の正確性と堅牢性の両方を改善するのに不可欠である。 上記の問題に対処するため,MTFGN-SRL(Multi-Term Fourier Graph Neural Network with Sample Relationship Learning)という新しいフレームワークを導入する。 サンプルをグラフのシーケンスとして扱うのではなく、単一完全グラフとみなし、Fourier Graph Neural Network(FGN)を用いて周波数領域の時空間情報をキャプチャする。 本稿では,複数のルックバックウィンドウを用いて様々な用語でサンプルを生成し,FGNに入力し,データから有用な情報を抽出する多言語学習モジュールを提案する。 最後に,不均一なGNNを訓練し,サンプル間の関係を同定し,精度を高め,予測の堅牢性を高めることで,サンプル関係学習モジュールを開発する。 CMAPSSデータセットの評価は、RUL予測における最先端手法よりもMTFGN-SRLの方が優れた性能を示している。

関連論文リスト

• FourierGNN: Rethinking Multivariate Time Series Forecasting from a Pure Graph Perspective [48.00240550685946]
  現在の最先端グラフニューラルネットワーク(GNN)ベースの予測手法は、通常、シリーズ間(空間)のダイナミックスとシリーズ内(時間)の依存関係をキャプチャするために、グラフネットワーク(GCNなど)と時間ネットワーク(LSTMなど)の両方を必要とする。 提案するフーリエグラフ演算子(FGO)を積み重ねて,フーリエ空間で行列乗算を行うことにより,新しいフーリエグラフニューラルネットワーク(FourierGNN)を提案する。 7つのデータセットに対する実験は、より効率が良く、パラメータも少ないという優れた性能を示した。
  論文  参考訳（メタデータ） (2023-11-10T17:13:26Z)
• Graph-enabled Reinforcement Learning for Time Series Forecasting with Adaptive Intelligence [11.249626785206003]
  グラフニューラルネットワーク(GNN)と強化学習(RL)を用いたモニタリングによる時系列データの予測手法を提案する。 GNNは、データのグラフ構造をモデルに明示的に組み込むことができ、時間的依存関係をより自然な方法でキャプチャすることができる。 このアプローチは、医療、交通、天気予報など、複雑な時間構造におけるより正確な予測を可能にする。
  論文  参考訳（メタデータ） (2023-09-18T22:25:12Z)
• Fully-Connected Spatial-Temporal Graph for Multivariate Time-Series Data [50.84488941336865]
  完全時空間グラフニューラルネットワーク(FC-STGNN)という新しい手法を提案する。 グラフ構築のために、時間的距離に基づいて、すべてのタイムスタンプにセンサーを接続する減衰グラフを設計する。 グラフ畳み込みのために,移動プールGNN層を用いたFCグラフ畳み込みを考案し,ST依存性を効果的に把握し,効率的な表現を学習する。
  論文  参考訳（メタデータ） (2023-09-11T08:44:07Z)
• Correlation-aware Spatial-Temporal Graph Learning for Multivariate Time-series Anomaly Detection [67.60791405198063]
  時系列異常検出のための相関対応時空間グラフ学習(CST-GL)を提案する。 CST-GLは、多変量時系列相関学習モジュールを介してペアの相関を明示的にキャプチャする。 新規な異常スコアリング成分をCST-GLにさらに統合し、純粋に教師なしの方法で異常の度合いを推定する。
  論文  参考訳（メタデータ） (2023-07-17T11:04:27Z)
• Sparsification and Filtering for Spatial-temporal GNN in Multivariate Time-series [0.0]
  本稿では,時空間グラフニューラルネットワークと行列フィルタリングモジュールを統合した多変量時系列予測のためのエンドツーエンドアーキテクチャを提案する。 このモジュールは、GNNに入力する前に、多変量時系列からフィルタ(逆)相関グラフを生成する。 グラフニューラルネットワークで採用されている既存のスカラー化手法とは対照的に,我々のモデルは,複雑なシステムデータに典型的な低信号-雑音比を克服するために,時系列フィルタリングを明示的に活用する。
  論文  参考訳（メタデータ） (2022-03-08T10:44:30Z)
• Spectral Temporal Graph Neural Network for Multivariate Time-series Forecasting [19.50001395081601]
  StemGNNはシリーズ間の相関と時間的依存関係をキャプチャする。 畳み込みと逐次学習モジュールによって効果的に予測できる。 StemGNNの有効性を示すために、10の実世界のデータセットに関する広範な実験を実施します。
  論文  参考訳（メタデータ） (2021-03-13T13:44:20Z)
• Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks [91.65637773358347]
  多変量時系列データに特化して設計された汎用グラフニューラルネットワークフレームワークを提案する。 グラフ学習モジュールを用いて,変数間の一方向関係を自動的に抽出する。 提案手法は,4つのベンチマークデータセットのうち3つにおいて,最先端のベースライン手法よりも優れている。
  論文  参考訳（メタデータ） (2020-05-24T04:02:18Z)

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。