Data augmentation for forecasting industrial aging processes via conditional multimodal generative time-series models
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Data augmentation has shown to be effective for improving generalization performance of deep neural networks, especially in the regime of high noise and scarce data. However, this approach has not been applied to industrial aging processes (IAP) forecasting, where observed data are multimodal time-series, and therefore existing augmentation methods are not suitable for data generation. In this paper, we propose Seq-MVAE, a generative architecture that can generate complex time-series data consisting of multiple heterogeneous modalities. Seq-MVAE is capable of conditional generation, i.e., Seq-MVAE learns the joint distribution across the modalities, and allows users to generate a part of the modalities that are coherent with the other (given) modalities. This enables not only missing value imputation but also conditional generation, which is known to be crucial for data augmentation. We evaluate the generative performance and other aspects of Seq-MVAE on an artificial dataset generated based designed to simulate an industrial aging process, and show the effectiveness of data augmentation by Seq-MVAE on a real-world dataset acquired from an industrial plant. • Data augmentation is a powerful tool when dealing with scarce and noisy data. • A generative model is introduced that accurately models industrial aging processes. • The model can effectively learn even when training data contains many missing values. • Data augmentation using the model greatly improves forecasting for industrial data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle