مدل‌های بنیادین مبتنی بر انتشار برای سری‌های زمانی صنعتی: رهیافت‌های تطبیقی تقویت‌شده زمانی و آگاه از فرکانس در راستای عصر مدل‌های بزرگ

تکمیل این اپیزود

اگر مهمان یا اسپانسری جا افتاده، از فهرست موجود انتخاب کن یا نام تازه‌ای پیشنهاد بده. پیشنهادها بعد از بررسی مدیر عمومی می‌شوند.

متن منتشرشده توسط پادکستر

توضیحات اپیزود

مقاله ۱: Diff-MTS: مدل انتشاری شرطی تقویت‌شده زمانی مبتنی بر AIGC برای سری‌های زمانی صنعتی در راستای عصر مدل‌های بزرگ DOI: اطلاعات DOI مشخص در منابع ارائه شده موجود نیست. ذکر شده است که این کار برای انتشار احتمالی به IEEE ارسال شده است. خلاصه فارسی: سری‌های زمانی چندمتغیره صنعتی (MTS) برای درک وضعیت ماشین‌آلات صنعتی بسیار مهم هستند. با این حال، به دلیل دشواری جمع‌آوری داده و نگرانی‌های مربوط به حریم خصوصی، داده‌های موجود برای ساخت هوش صنعتی و مدل‌های بزرگ صنعتی کافی نیستند. تحقیقات موجود برای تولید MTS معمولاً از شبکه‌های متخاصم مولد (GANs) استفاده می‌کنند، اما این شبکه‌ها اغلب از فرآیند آموزش ناپایدار رنج می‌برند. این مقاله مدل Diff-MTS را پیشنهاد می‌کند که یک مدل انتشاری تطبیقی شرطی تقویت‌شده زمانی است و برای تولید MTS طراحی شده است تا وابستگی‌ها و دینامیک‌های پیچیده زمانی داده‌های MTS را بهتر مدیریت کند. Diff-MTS شامل یک روش Adaptive Maximum-Mean Discrepancy (Ada-MMD) شرطی است که تولید کنترل‌شده MTS را بدون نیاز به یک طبقه‌بندی‌کننده امکان‌پذیر می‌سازد و سازگاری شرطی مدل انتشاری را بهبود می‌بخشد. علاوه بر این، یک UNet بازسازی تجزیه زمانی (TDR-UNet) برای جذب الگوهای پیچیده زمانی و بهبود کیفیت سری‌های زمانی ترکیبی ایجاد شده است. آزمایش‌های جامع روی مجموعه‌داده‌های C-MAPSS و FEMTO نشان می‌دهد که Diff-MTS از نظر تنوع، وفاداری و کارایی در مقایسه با روش‌های مبتنی بر GAN، عملکرد به‌مراتب بهتری دارد. -------------------------------------------------------------------------------- مقاله ۲: MetaIndux-TS: مدل بنیادین AIGC آگاه از فرکانس برای سری‌های زمانی صنعتی DOI: 10.1109/TNNLS.2025.3577203 خلاصه فارسی: اگرچه پیشرفت‌های اخیر در محتوای تولید شده توسط هوش مصنوعی (AIGC) الهام‌بخش کاوش در تولید سری‌های زمانی صنعتی برای کاهش کمبود داده بوده است، اما مدل‌های AIGC موجود در تولید سری‌های زمانی صنعتی به دلیل دینامیک‌های زمانی پیچیده، همبستگی‌های بین ستونی چندکاناله و ویژگی‌های فرکانسی متنوع، با مشکل مواجه هستند. برای مقابله با این چالش‌ها، مدل بنیادین AIGC آگاه از فرکانس به نام MetaIndux-TS پیشنهاد شده است که بر اساس چارچوب‌های مدل انتشاری بنا نهاده شده است. این مدل برای تولید داده‌های سری زمانی صنعتی تحت شرایط کاری گوناگون، انواع تجهیزات مختلف و با طول‌های متغیر طراحی شده است. MetaIndux-TS شبکه‌های توجه متقاطع دو فرکانسی (dual-frequency cross-attention networks) را برای مدل‌سازی وابستگی‌های چندمتغیره و جذب جزئیات پیچیده زمانی با تبدیل سری‌های زمانی به دامنه فرکانس، ادغام می‌کند. همچنین، لایه ترکیب متضاد (contrastive synthesis layer) برای تولید سری‌های زمانی با وفاداری بالا با مقایسه روندهای تناوبی و بلندمدت با دنباله‌های نویز اولیه ساخته شده است. نتایج تجربی جامع نشان می‌دهد که MetaIndux-TS عملکرد بهتری نسبت به مدل‌های پیشرفته موجود دارد و قابلیت تولید zero-shot (تولید نمونه تحت شرایط دیده نشده) را نیز از خود نشان می‌دهد، که راه‌حلی نویدبخش برای غلبه بر چالش‌های جمع‌آوری داده در محیط‌های دشوار صنعتی است.

نظرها