Learning Beyond Time: Transformation-Aware Diffusion for Data-Augmented Soft-Sensor Modeling
Notice bibliographique
Résumé
In industrial soft-sensor modeling, the scarcity and imbalance of process data often lead to overfitting and poor generalization of predictive models. To address these challenges, this article proposes a transformation-aware diffusion model (TA-DM) that integrates transformed-domain supervision for data-augmented soft sensing. We explore transformation-aware designs and introduce a novel structure-breaking loss framework that enhances the denoising objectives of denoising diffusion implicit model and TimeDDIM by encouraging the model to disrupt redundant patterns and capture richer structural variations. In implementation, our proposed approach formulates loss functions across multiple transformation domains—including discrete Fourier transform, wavelet transform, and principal component analysis (PCA)—to explicitly guide the model in learning complementary and diverse structural features beyond the original time domain, significantly advancing the representational quality and diversity of generated time-series data. To further bridge the discrepancy between the data generated by TA-DM and the real data, we propose a just-in-time learning-based sample selection strategy. This strategy leverages the representation space of the diffusion model to adaptively select local samples relevant to the current operating condition through similarity matching. These samples are then fused with limited real data to improve soft-sensor modeling. This targeted augmentation effectively narrows the synthetic-real domain gap and enhances model robustness under complex conditions. Experimental results on a numerical example and real-world industrial datasets demonstrate that TA-DM significantly outperforms existing augmentation baselines under data-scarce and distribution-shifting 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 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 | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,002 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,002 |
| 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, 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 ».