論文の概要: Compensating data shortages in manufacturing with monotonicity knowledge
- arxiv url: http://arxiv.org/abs/2010.15955v2
- Date: Sat, 16 Jan 2021 12:50:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-01 23:57:23.673308
- Title: Compensating data shortages in manufacturing with monotonicity knowledge
- Title（参考訳）: 単調な知識を有する製造におけるデータ不足の補償
- Authors: Martin von Kurnatowski, Jochen Schmid, Patrick Link, Rebekka Zache,
Lukas Morand, Torsten Kraft, Ingo Schmidt, Anke Stoll
- Abstract要約: 本稿では,専門家の知識を形状制約の形で活用することにより,モデルの予測能力を高める手法を提案する。
実世界の2つの製造プロセス、すなわちレーザガラスの曲げと金属板のプレス硬化の試験と検証を行っている。
その結果, 得られたモデルが専門家の単調な知識に順応し, トレーニングデータを正確に予測できることが判明した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Optimization in engineering requires appropriate models. In this article, a
regression method for enhancing the predictive power of a model by exploiting
expert knowledge in the form of shape constraints, or more specifically,
monotonicity constraints, is presented. Incorporating such information is
particularly useful when the available data sets are small or do not cover the
entire input space, as is often the case in manufacturing applications. The
regression subject to the considered monotonicity constraints is set up as a
semi-infinite optimization problem, and an adaptive solution algorithm is
proposed. The method is applicable in multiple dimensions and can be extended
to more general shape constraints. It is tested and validated on two real-world
manufacturing processes, namely laser glass bending and press hardening of
sheet metal. It is found that the resulting models both comply well with the
expert's monotonicity knowledge and predict the training data accurately. The
suggested approach leads to lower root-mean-squared errors than comparative
methods from the literature for the sparse data sets considered in this work.
- Abstract（参考訳）: 工学における最適化には適切なモデルが必要である。
本稿では, モデルの予測能力を高めるための回帰法について, 形状制約, より具体的には単調性制約という形で専門家の知識を活用して述べる。
このような情報を組み込むことは、利用可能なデータセットが小さい場合や入力空間全体をカバーしていない場合、特に有用である。
考察された単調性制約に対する回帰を半無限最適化問題として設定し,適応解アルゴリズムを提案する。
この方法は多次元に適用でき、より一般的な形状制約に拡張することができる。
実世界の2つの製造プロセス(レーザーガラスの曲げと金属板のプレス硬化)で試験、検証される。
その結果, 専門家の単調性知識によく適合し, トレーニングデータを正確に予測できることが判明した。
提案手法は,本研究で検討したスパースデータセットの文献による比較手法に比べて,ルート平均二乗誤差を低くする。
関連論文リスト
- Efficient and Generalizable Certified Unlearning: A Hessian-free Recollection Approach [8.875278412741695]
機械学習は、特定のデータを選択的に忘れることを可能にして、データ所有者の権利を忘れないように努力する。
我々は,ベクトル加算操作のみを必要とするため,ほぼ瞬時に未学習を実現するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-04-02T07:54:18Z) - Parameter uncertainties for imperfect surrogate models in the low-noise regime [0.3069335774032178]
我々は、不特定、ほぼ決定論的シュロゲートモデルの一般化誤差を解析する。
遅れた一般化誤差を避けるために、後続分布が全ての訓練点をカバーする必要があることを示す。
これは、原子論的機械学習における1000次元データセットに適用する前に、モデル問題で実証される。
論文 参考訳（メタデータ） (2024-02-02T11:41:21Z) - Scalable Higher-Order Tensor Product Spline Models [0.0]
本稿では,高階テンソル積スプラインモデルから高階テンソル積を導出する因子分解法を提案する。
本手法では,非線形特徴効果のすべての(高次)相互作用を,相互作用のないモデルに比例した計算コストで組み込むことが可能である。
論文 参考訳（メタデータ） (2024-02-02T01:18:48Z) - Accelerating Generalized Linear Models by Trading off Computation for
Uncertainty [29.877181350448193]
一般化線形モデル(GLM)は、分類的、順序的、連続的なデータをモデル化するための柔軟な確率的フレームワークを定義する。
結果の近似誤差はモデルの信頼性に悪影響を及ぼし、予測の不確実性を考慮しない。
このエラーを明示的にモデル化する反復的手法のファミリーを紹介します。
論文 参考訳（メタデータ） (2023-10-31T08:58:16Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳（メタデータ） (2022-06-15T19:10:35Z) - Additive Higher-Order Factorization Machines [0.0]
因子化手法を用いて,スケーラブルな高次テンソル積スプラインモデルを導出する。
本手法では,非線形特徴効果のすべての(高次)相互作用を含めることができる。
我々は理論上も経験的にも,我々の手法が既存の手法よりも顕著に優れていることを証明している。
論文 参考訳（メタデータ） (2022-05-28T19:50:52Z) - Extension of Dynamic Mode Decomposition for dynamic systems with
incomplete information based on t-model of optimal prediction [69.81996031777717]
動的モード分解は、動的データを研究するための非常に効率的な手法であることが証明された。
このアプローチの適用は、利用可能なデータが不完全である場合に問題となる。
本稿では,森-Zwanzig分解の1次近似を考察し,対応する最適化問題を記述し,勾配に基づく最適化法を用いて解く。
論文 参考訳（メタデータ） (2022-02-23T11:23:59Z) - Solving weakly supervised regression problem using low-rank manifold
regularization [77.34726150561087]
我々は弱い教師付き回帰問題を解く。
weakly"の下では、いくつかのトレーニングポイントではラベルが知られ、未知のものもあれば、無作為なノイズの存在やリソースの欠如などの理由によって不確かであることが分かっています。
数値的な節ではモンテカルロモデルを用いて提案手法を人工と実のデータセットに適用した。
論文 参考訳（メタデータ） (2021-04-13T23:21:01Z) - Scalable Marginal Likelihood Estimation for Model Selection in Deep
Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。
本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文 参考訳（メタデータ） (2021-04-11T09:50:24Z) - Distilling Interpretable Models into Human-Readable Code [71.11328360614479]
人間可読性は機械学習モデル解釈可能性にとって重要で望ましい標準である。
従来の方法を用いて解釈可能なモデルを訓練し,それを簡潔で可読なコードに抽出する。
本稿では,幅広いユースケースで効率的に,確実に高品質な結果を生成する分別線形曲線フィッティングアルゴリズムについて述べる。
論文 参考訳（メタデータ） (2021-01-21T01:46:36Z) - Nonparametric Estimation in the Dynamic Bradley-Terry Model [69.70604365861121]
カーネルのスムース化に依存する新しい推定器を開発し、時間とともにペア比較を前処理する。
モデルに依存しない設定における推定誤差と余剰リスクの両方について時間変化のオラクル境界を導出する。
論文 参考訳（メタデータ） (2020-02-28T21:52:49Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。