半導体製造は非常に複雑で精密なプロセスであり、多数の相互依存するパラメータが多様なツールとプロセスステップで収集されます。本論文では、マルチ変量時系列分析を用いたリアルタイム監視と故障検出の重要性が強調されています。しかし、異常予測にはセンサー情報の高次元性や真の故障の稀少性によるクラス不均衡などの課題があります。この研究では、異常検出から異常予測へ進化するための二つの新しいアプローチを提案し、リアルタイムのプロセス補正と積極的な故障予防を可能にするステップを示しています。提案されたフレームワークは、異常が存在しないと仮定したデータセットでの予測モデルのトレーニングと、見えない時系列データへの予測を行う二つの主要なステージを含みます。N-BEATSモデルとグラフニューラルネットワーク(GNN)が異常予測に果たす役割を比較したところ、GNNは少ないパラメータで高い性能を発揮し、製造環境でのオンライン異常予測において有望なソリューションとして位置づけられました。