論文の概要: Representation Evaluation Block-based Teacher-Student Network for the
Industrial Quality-relevant Performance Modeling and Monitoring
- arxiv url: http://arxiv.org/abs/2101.07976v1
- Date: Wed, 20 Jan 2021 05:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-22 01:21:36.486044
- Title: Representation Evaluation Block-based Teacher-Student Network for the
Industrial Quality-relevant Performance Modeling and Monitoring
- Title（参考訳）: 産業品質関連パフォーマンスモデリングとモニタリングのための表象評価ブロック型教師・学生ネットワーク
- Authors: Dan Yang, Xin Peng, Yusheng Lu, Haojie Huang, Weimin Zhong
- Abstract要約: 品質関連故障検出のための改良型教師学生ネットワークに基づく故障検出手法を提案する。
従来の教師-学生ネットワークでは、教師ネットワークと学生ネットワークの特徴の違いが学生ネットワークのパフォーマンス低下を引き起こすためです。
不確実性モデリングは、この差異をモデリングプロセスに追加するために使用され、特徴の違いを減らし、学生ネットワークの性能を向上させるのに有用である。
提案手法はプロセス監視に適用され,プロセス関連部分空間と品質関連部分空間の障害を同時に検出する。
- 参考スコア（独自算出の注目度）: 5.909089256501503
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Quality-relevant fault detection plays an important role in industrial
processes, while the current quality-related fault detection methods based on
neural networks main concentrate on process-relevant variables and ignore
quality-relevant variables, which restrict the application of process
monitoring. Therefore, in this paper, a fault detection scheme based on the
improved teacher-student network is proposed for quality-relevant fault
detection. In the traditional teacher-student network, as the features
differences between the teacher network and the student network will cause
performance degradation on the student network, representation evaluation block
(REB) is proposed to quantify the features differences between the teacher and
the student networks, and uncertainty modeling is used to add this difference
in modeling process, which are beneficial to reduce the features differences
and improve the performance of the student network. Accordingly, REB and
uncertainty modeling is applied in the teacher-student network named as
uncertainty modeling teacher-student uncertainty autoencoder (TSUAE). Then, the
proposed TSUAE is applied to process monitoring, which can effectively detect
faults in the process-relevant subspace and quality-relevant subspace
simultaneously. The proposed TSUAE-based fault detection method is verified in
two simulation experiments illustrating that it has satisfactory fault
detection performance compared to other fault detection methods.
- Abstract（参考訳）: 品質関連障害検出は産業プロセスにおいて重要な役割を担う一方で、現在のニューラルネットワークに基づく品質関連障害検出手法は、プロセス関連変数に主に集中し、プロセス監視の適用を制限する品質関連変数を無視している。
そこで本研究では,品質関連故障検出のための改良型教師学生ネットワークに基づく故障検出手法を提案する。
従来の教師・生徒ネットワークでは、教師ネットワークと生徒ネットワーク間の特徴差が生徒ネットワークのパフォーマンス低下を引き起こすため、表出評価ブロック(reb)が教師と生徒ネットワーク間の特徴差を定量化するために提案され、不確実性モデリングを用いて、特徴差の低減や学生ネットワークのパフォーマンス向上に有用なモデリングプロセスにこの差を加える。
したがって、教師-学生ネットワークにおいて、REBと不確実性モデリングを、教師-学生オートエンコーダ(tsuAE)として適用する。
次に,提案手法をプロセス監視に適用し,プロセス関連部分空間と品質関連部分空間の障害を効果的に検出する。
提案手法は, 故障検出性能が他の故障検出法と比較して良好であることを示す2つのシミュレーション実験で検証された。
関連論文リスト
- HANet: A Hierarchical Attention Network for Change Detection With Bitemporal Very-High-Resolution Remote Sensing Images [6.890268321645873]
本研究では,変化情報の追加を含まないことに基づく,段階的前景バランスサンプリング戦略を提案する。
この戦略は、初期のトレーニングプロセス中に変更したピクセルの特徴を正確に学習するのに役立つ。
また,階層型注意ネットワーク(HANet)を設計し,マルチスケール機能の統合と詳細機能の改良を図る。
論文 参考訳（メタデータ） (2024-04-14T08:01:27Z) - Common Knowledge Learning for Generating Transferable Adversarial
Examples [60.1287733223249]
本稿では,代用(ソース)モデルにより敵のサンプルを生成するブラックボックス攻撃の重要タイプに着目した。
既存の手法では、ソースモデルとターゲットモデルが異なるタイプのDNNアーキテクチャのものである場合、不満足な逆転が生じる傾向にある。
本稿では,より優れたネットワーク重みを学習し,敵対的な例を生成するための共通知識学習(CKL)フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-01T09:07:12Z) - MixedTeacher : Knowledge Distillation for fast inference textural
anomaly detection [4.243356707599485]
異常検出のための教師なしの学習は 画像処理研究の中心にある
本稿では,知識蒸留の概念に基づく新しい手法を提案する。
提案したテクスチャ異常検出器は,SOTA法と比較して,どのテクスチャの欠陥も検出し,高速な推論時間を有する。
論文 参考訳（メタデータ） (2023-06-16T14:14:20Z) - Knowledge Diffusion for Distillation [53.908314960324915]
知識蒸留(KD)における教師と学生の表現ギャップ
これらの手法の本質は、ノイズ情報を捨て、その特徴の貴重な情報を蒸留することである。
DiffKDと呼ばれる新しいKD手法を提案し、拡散モデルを用いて特徴を明示的に識別し一致させる。
論文 参考訳（メタデータ） (2023-05-25T04:49:34Z) - Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。
GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文 参考訳（メタデータ） (2023-02-06T16:38:43Z) - Feature-domain Adaptive Contrastive Distillation for Efficient Single
Image Super-Resolution [3.2453621806729234]
CNNベースのSISRは、多くのパラメータと高い計算コストを持ち、より良い性能を実現している。
知識蒸留(KD)は教師の有用な知識を学生に伝達する。
本稿では,軽量なSISRネットワークを効率的に訓練するための特徴領域適応型コントラスト蒸留(FACD)手法を提案する。
論文 参考訳（メタデータ） (2022-11-29T06:24:14Z) - A New Knowledge Distillation Network for Incremental Few-Shot Surface
Defect Detection [20.712532953953808]
本稿では,DKAN(Dual Knowledge Align Network)と呼ばれる新しい知識蒸留ネットワークを提案する。
提案したDKAN法は,事前学習型ファインタニング伝達学習パラダイムを踏襲し,ファインタニングのための知識蒸留フレームワークを設計した。
Few-shot NEU-DETデータセットをインクリメンタルに実験した結果、DKANは様々なシーンで他の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-09-01T15:08:44Z) - Excess Risk of Two-Layer ReLU Neural Networks in Teacher-Student
Settings and its Superiority to Kernel Methods [58.44819696433327]
教師回帰モデルにおける2層ReLUニューラルネットワークのリスクについて検討する。
学生ネットワークは、どの解法よりも確実に優れていることがわかった。
論文 参考訳（メタデータ） (2022-05-30T02:51:36Z) - Robust Ensembling Network for Unsupervised Domain Adaptation [20.152004296679138]
教師なしドメイン適応(UDA)のためのRobust Ensembling Network(REN)を提案する。
RENは主に教師ネットワークと学生ネットワークを含み、標準的なドメイン適応トレーニングを実行し、教師ネットワークの重みを更新する。
学生ネットワークの基本能力を向上させるために,学生ネットワークと教師ネットワークの誤りのバランスをとるために,一貫性制約を利用する。
論文 参考訳（メタデータ） (2021-08-21T09:19:13Z) - Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。
畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。
この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
論文 参考訳（メタデータ） (2021-08-03T19:24:25Z) - Style Normalization and Restitution for DomainGeneralization and
Adaptation [88.86865069583149]
効果的なドメイン一般化モデルは、一般化および判別可能な特徴表現を学習することが期待される。
本稿では,ネットワークの高一般化と識別能力を確保するために,新しいスタイル正規化・再構成モジュール(SNR)を設計する。
論文 参考訳（メタデータ） (2021-01-03T09:01:39Z)
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。