論文の概要: Grounding Time-Series Foundation Models in Digital Twin Topology for Predictive Maintenance

• arxiv url: http://arxiv.org/abs/2609.40071v1
• Date: Wed, 30 Sep 2026 16:24:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.038559
• Title: Grounding Time-Series Foundation Models in Digital Twin Topology for Predictive Maintenance
• Title（参考訳）: 予測保守のためのディジタル双対トポロジーにおける接地時間系列基礎モデル
• Abstract要約: デジタル双生児は、時系列データに依存する下流の分析タスクをますますサポートし、スケーラブルなバックボーンとしての時系列基礎モデル(TSFM)への関心を動機付けている。 凍結した背骨を持つよく知られた5つのTSFMを,有用寿命予測(RUL)の継続についてベンチマークした。 本稿では,情報モデルにおけるデジタルツインストアの資産構造から導かれるトポロジ的制約を,明示的に相互注意を形作るトポロジ的インフォームドフュージョン手法を提案する。
• 参考スコア（独自算出の注目度）: 1.2871968485402083
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Digital twins increasingly support downstream analytical tasks that depend on time-series data, motivating interest in time-series foundation models (TSFMs) as scalable backbones. However, TSFMs are primarily pretrained for temporal continuation and often underperform on unseen tasks such as regression, and systematic empirical comparisons against state-of-the-art dedicated models in digital twin contexts remain limited. This paper makes three contributions. First, we benchmark five well-known TSFMs with frozen backbones on remaining useful life (RUL) prediction using the C-MAPSS dataset, finding that multivariate architectures substantially outperform univariate ones, particularly under varying operating conditions. This raises a deeper question: when cross-channel dependencies can be modeled through pretrained weights, target-task adaptation, and digital twin-derived representations, how much does each contribute, and are they complementary? Second, we propose a topology-informed fusion approach in which topological constraints, derived from the asset structure the digital twin stores among its information models, explicitly shape cross-attention, so that fused representations respect the physical system's local connectivity rather than relying on unconstrained all-to-all interactions. Third, we conduct an ablation study across C-MAPSS subsets of varying operational complexity that isolates the three sources and their interactions. The sources prove complementary rather than redundant, and topology-constrained attention outperforms unconstrained fusion, though by a small margin, enabling a frozen TSFM informed by digital twin representations to remain competitive or in some cases exceed state-of-the-art performance on this regression task.
• Abstract（参考訳）: デジタル双生児は、時系列データに依存する下流の分析タスクをますますサポートし、スケーラブルなバックボーンとしての時系列基礎モデル(TSFM)への関心を動機付けている。 しかし、TSFMは主に時間的継続のために事前訓練されており、回帰のような目に見えないタスクでは不十分であり、デジタルツインコンテキストにおける最先端の専用モデルに対する体系的な経験的比較は限定的のままである。 この論文には3つの貢献がある。 まず、C-MAPSSデータセットを用いて、凍結したバックボーンを持つよく知られた5つのTSFMを、残りの有用寿命(RUL)予測にベンチマークし、多変量アーキテクチャが、特に異なる操作条件下で、実質的に、単変量アーキテクチャよりも優れていることを発見した。 チャネル間の依存関係が事前トレーニングされた重み付け、ターゲットタスク適応、デジタルツイン由来の表現によってモデル化できる場合、それぞれの依存関係はどの程度のコントリビューションがあり、補完的なものになるのか? 第2に,情報モデル内のデジタルツインストアの資産構造から導かれるトポロジ的制約を考慮に入れたトポロジインフォームドフュージョン手法を提案する。 第3に,3つのソースとその相互作用を分離するさまざまな操作複雑性のC-MAPSSサブセットを対象としたアブレーション研究を行う。 ソースは冗長ではなく相補的であり、トポロジに制約された注意は非拘束核融合よりも優れるが、小さなマージンで、デジタル双対表現によって通知される凍結TSFMは競争力を維持するか、場合によってはこの回帰タスクの最先端性能を上回る。

関連論文リスト

• Beyond the Aggregation Dilemma: Prior-Retaining Decoupled Learning for Multimodal Graphs [69.56407708794845]
  MultimodalAttributed Graph Learning (MAGL)はグラフアグリゲーションを通じてノード属性と構造トポロジーを統合する。 事前訓練されたエンコーダがLarge Foundation Models (LFM) へと進化するにつれて、MAGLのランドスケープは根本的に変化していく。 高信頼のLFM先行の下では、強制集約は、識別シグナルを圧倒するトポロジカル固有のノイズを導入する。 本稿では、分離されたデュアルパスパラダイムであるSUPRA(Shared-Unique Prior-Retaining Architecture)を提案する。 SUPRAは、トポロジ・アグノシクスによるモーダリティ特異的な特徴を処理し、軽量共有GNNを介して構造相乗効果を捉え、補助的な深層監視対策の勾配飢餓を発生させる。
  論文  参考訳（メタデータ） (2026-05-23T17:42:25Z)
• A General Framework for Generative Self-supervised Learning in Non-invasive Estimation of Physiological Parameters Using Photoplethysmography [3.154286239027942]
  SSRLフレームワークは、時間、分光、時間-分光混合ドメインを用いて、普遍的および非侵襲的な生理学的パラメータ推定のためのPSGのユニークな特徴を探索し、組み込むために提案される。 CTFGAとDPTの結合性能は,生理的パラメータ推定タスクにおいて,標準生成学習よりも有意に優れていた。
  論文  参考訳（メタデータ） (2026-04-03T12:42:55Z)
• AlignMamba-2: Enhancing Multimodal Fusion and Sentiment Analysis with Modality-Aware Mamba [56.52470564147458]
  マルチモーダル融合と感情分析のための効率的かつ効率的なフレームワークである textbfAlignMamba-2 を提案する。 提案手法では, 最適輸送距離と最大平均離散度の両方を用いてモデルを正規化する2つのアライメント戦略を導入する。 さらに重要なことは、モダリティに特有かつモダリティに偏ったエキスパートによるMixture-of-Expertsアーキテクチャを採用したModality-Aware Mamba層を設計することです。
  論文  参考訳（メタデータ） (2026-03-19T03:47:21Z)
• DE3S: Dual-Enhanced Soft-Sparse-Shape Learning for Medical Early Time-Series Classification [11.539700200482853]
  ETSCは敗血症などの時間に敏感な医療応用において重要である。 正確さとイヤーラインの間には、本質的にトレードオフがある。 我々はこれらの課題を克服するためのフレームワークである textbfDE3S を提案する。
  論文  参考訳（メタデータ） (2025-10-14T07:10:05Z)
• SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
  時系列の正確な予測にはシリーズ間相関が不可欠である。 これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。 既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
  論文  参考訳（メタデータ） (2025-09-14T11:23:12Z)
• MedSeqFT: Sequential Fine-tuning Foundation Models for 3D Medical Image Segmentation [55.37355146924576]
  MedSeqFTは、医用画像解析のためのシーケンシャルな微調整フレームワークである。 事前訓練されたモデルを新しいタスクに適応させ、表現能力を改善する。 最先端の微調整戦略を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-09-07T15:22:53Z)
• Multi-Source Knowledge-Based Hybrid Neural Framework for Time Series Representation Learning [2.368662284133926]
  提案したハイブリッドアーキテクチャは、ドメイン固有の知識とMSSデータに基づく関係構造の暗黙的な知識を組み合わせることで制限に対処する。 このアーキテクチャは、複数のベンチマークデータセットで有望な結果を示し、最先端の予測方法よりも優れています。
  論文  参考訳（メタデータ） (2024-08-22T13:58:55Z)
• Exploring Progress in Multivariate Time Series Forecasting: Comprehensive Benchmarking and Heterogeneity Analysis [70.78170766633039]
  我々は、MTS予測提案を確実かつ公平に評価する手段の必要性に対処する。 BasicTS+は、MTS予測ソリューションの公平で包括的で再現可能な比較を可能にするために設計されたベンチマークである。 リッチデータセットとともにBasicTS+を適用し,45 MTS以上の予測ソリューションの性能を評価する。
  論文  参考訳（メタデータ） (2023-10-09T19:52:22Z)
• SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
  グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。 近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。 近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
  論文  参考訳（メタデータ） (2022-03-31T02:45:24Z)
• Interpretable Time-series Representation Learning With Multi-Level Disentanglement [56.38489708031278]
  Disentangle Time Series (DTS)は、シーケンシャルデータのための新しいDisentanglement Enhanceingフレームワークである。 DTSは時系列の解釈可能な表現として階層的意味概念を生成する。 DTSは、セマンティック概念の解釈性が高く、下流アプリケーションで優れたパフォーマンスを実現します。
  論文  参考訳（メタデータ） (2021-05-17T22:02:24Z)

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。