DT-GAIN: a Novel Framework for Multivariate Time-Series Data Imputation in Industrial Iot
Notice bibliographique
Résumé
In Industrial Internet of Things (IIoT) applications, data from a variety of sensors is collected continuously to monitor and manage industrial processes. However, missing data caused by network disruptions, sensor malfunctions, or hardware failures seriously affects the performance of datadriven models, leading to unreliable predictions and increased maintenance costs. To address this challenge, we propose Decayaware Transformer-enhanced GAIN (DT-GAIN), a novel imputation framework for multivariate time-series data in IIoT applications. DT-GAIN extends and enhances the Generative Adversarial Imputation Nets (GAIN) framework by integrating the Transformer architecture, which captures long-range dependencies essential for accurate imputation of multivariate timeseries industrial data. In addition, DT-GAIN incorporates a timedecay mechanism that accounts for temporal irregularities by weighing observations based on their recency, thereby improving the ability of the proposed method to handle varying intervals between observations and missing values. In our research, we thoroughly compare DT-GAIN with state-of-the-art imputation methods, including LSTM-based GAIN (L-GAIN), Transformerbased GAIN (T-GAIN), the original GAIN, and SAITS. Our experimental results indicate that DT-GAIN outperforms the methods under investigation in terms of Root Mean Squared Error (RMSE) across various missing rates, particularly excelling in high-missing-data scenarios.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,003 | 0,009 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».