論文の概要: Classifying Component Function in Product Assemblies with Graph Neural Networks

• arxiv url: http://arxiv.org/abs/2107.07042v1
• Date: Thu, 8 Jul 2021 16:27:23 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-18 12:35:00.588323
• Title: Classifying Component Function in Product Assemblies with Graph Neural Networks
• Title（参考訳）: グラフニューラルネットワークを用いた製品集合における成分関数の分類
• Authors: Vincenzo Ferrero, Kaveh Hassani, Daniele Grandi, Bryony DuPont
• Abstract要約: グラフニューラルネットワーク(GNN)モデルを用いて自動関数分類を行う。 我々の研究は知識に基づくCADシステムとDesign-for-Xを考慮した、より洗練された応用の出発点となり得る。
• 参考スコア（独自算出の注目度）: 7.034739490820969
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Function is defined as the ensemble of tasks that enable the product to complete the designed purpose. Functional tools, such as functional modeling, offer decision guidance in the early phase of product design, where explicit design decisions are yet to be made. Function-based design data is often sparse and grounded in individual interpretation. As such, function-based design tools can benefit from automatic function classification to increase data fidelity and provide function representation models that enable function-based intelligent design agents. Function-based design data is commonly stored in manually generated design repositories. These design repositories are a collection of expert knowledge and interpretations of function in product design bounded by function-flow and component taxonomies. In this work, we represent a structured taxonomy-based design repository as assembly-flow graphs, then leverage a graph neural network (GNN) model to perform automatic function classification. We support automated function classification by learning from repository data to establish the ground truth of component function assignment. Experimental results show that our GNN model achieves a micro-average F${_1}$-score of 0.832 for tier 1 (broad), 0.756 for tier 2, and 0.783 for tier 3 (specific) functions. Given the imbalance of data features, the results are encouraging. Our efforts in this paper can be a starting point for more sophisticated applications in knowledge-based CAD systems and Design-for-X consideration in function-based design.
• Abstract（参考訳）: 関数は、製品が設計目的を完了できるようにするタスクの集合として定義される。 機能モデリングのような機能ツールは、明確な設計決定がまだ行われていない製品設計の初期段階で意思決定ガイダンスを提供する。 関数ベースの設計データは、しばしば個別の解釈においてスパースで基礎づけられる。 そのため、関数ベースの設計ツールは、データ忠実度を向上させる自動関数分類の恩恵を受けることができ、関数ベースのインテリジェントデザインエージェントを可能にする関数表現モデルを提供する。 関数ベースの設計データは、一般的に手動で生成された設計リポジトリに保存される。 これらの設計リポジトリは、機能フローとコンポーネント分類に縛られた製品設計における機能に関する専門知識と解釈の集合である。 本研究では,構造化分類に基づく設計レポジトリをアセンブリフローグラフとして表現し,グラフニューラルネットワーク(GNN)モデルを用いて自動関数分類を行う。 我々は,レポジトリデータから学習し,コンポーネント関数割り当ての基礎的真理を確立することで,自動関数分類を支援する。 実験結果から,gnnモデルではティア1(ブロードウェイ)で0.832,ティア2で0.756,ティア3(特別)関数で0.783のマイクロ平均値f${_1}$-scoreが得られることがわかった。 データ機能の不均衡を考えると、結果は奨励される。 本稿では,知識ベースCADシステムにおけるより高度な応用の出発点となり,機能ベース設計におけるデザイン・フォー・Xの考察を行う。

関連論文リスト

• Augmented Functional Random Forests: Classifier Construction and Unbiased Functional Principal Components Importance through Ad-Hoc Conditional Permutations [0.0]
  本稿では,木に基づく手法と関数型データ解析を統合した新しい教師付き分類手法を提案する。 機能的分類木と機能的ランダム林の拡張版を提案し,機能的主成分の重要性を評価するための新しいツールを取り入れた。
  論文  参考訳（メタデータ） (2024-08-23T15:58:41Z)
• Decomposing and Editing Predictions by Modeling Model Computation [75.37535202884463]
  コンポーネントモデリングというタスクを導入します。 コンポーネントモデリングの目標は、MLモデルの予測をコンポーネントの観点から分解することだ。 コンポーネント属性を推定するスケーラブルなアルゴリズムであるCOARを提案する。
  論文  参考訳（メタデータ） (2024-04-17T16:28:08Z)
• Functional Autoencoder for Smoothing and Representation Learning [0.0]
  ニューラルネットワークオートエンコーダを用いて関数データの非線形表現を学習し、前処理を必要とせず、通常収集される形式でデータを処理する。 我々は,関数データの重み付け内積と観測タイムスタンプ上の関数重み付けを演算するプロジェクション層と,関数データから抽出した有限次元ベクトルを関数空間にマッピングする回復層をデコーダを用いて設計する。
  論文  参考訳（メタデータ） (2024-01-17T08:33:25Z)
• Neural Feature Learning in Function Space [5.807950618412389]
  本稿では,ニューラル特徴抽出器を用いたシステム設計学習フレームワークを提案する。 内部積を備えた関数空間における統計的依存と特徴表現を統一する特徴幾何学を導入する。 データサンプルから最適な特徴を学習するための体系的なアルゴリズム設計を提供するネスト手法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T20:39:12Z)
• FIND: A Function Description Benchmark for Evaluating Interpretability Methods [86.80718559904854]
  本稿では,自動解釈可能性評価のためのベンチマークスイートであるFIND(Function Interpretation and Description)を紹介する。 FINDには、トレーニングされたニューラルネットワークのコンポーネントに似た機能と、私たちが生成しようとしている種類の記述が含まれています。 本研究では、事前訓練された言語モデルを用いて、自然言語とコードにおける関数の振る舞いの記述を生成する手法を評価する。
  論文  参考訳（メタデータ） (2023-09-07T17:47:26Z)
• AutoTransfer: AutoML with Knowledge Transfer -- An Application to Graph Neural Networks [75.11008617118908]
  AutoML技術は、各タスクをスクラッチから独立して考慮し、高い計算コストをもたらす。 本稿では,従来の設計知識を新たな関心事に伝達することで,検索効率を向上させるAutoTransferを提案する。
  論文  参考訳（メタデータ） (2023-03-14T07:23:16Z)
• PDSketch: Integrated Planning Domain Programming and Learning [86.07442931141637]
  我々は PDSketch という新しいドメイン定義言語を提案する。 これにより、ユーザーはトランジションモデルで柔軟にハイレベルな構造を定義できる。 移行モデルの詳細は、トレーニング可能なニューラルネットワークによって満たされる。
  論文  参考訳（メタデータ） (2023-03-09T18:54:12Z)
• Efficient Automatic Machine Learning via Design Graphs [72.85976749396745]
  最適なモデル設計を探索する効率的なサンプルベース手法であるFALCONを提案する。 FALCONは,1)グラフニューラルネットワーク(GNN)を介してデザイングラフ上でメッセージパッシングを行うタスク非依存モジュール,2)既知のモデル性能情報のラベル伝搬を行うタスク固有モジュールを特徴とする。 FALCONは,30個の探索ノードのみを用いて,各タスクに対して良好な性能を持つ設計を効率的に得ることを実証的に示す。
  論文  参考訳（メタデータ） (2022-10-21T21:25:59Z)
• Towards Open-World Feature Extrapolation: An Inductive Graph Learning Approach [80.8446673089281]
  グラフ表現と学習を伴う新しい学習パラダイムを提案する。 本フレームワークは,1) 下位モデルとしてのバックボーンネットワーク(フィードフォワードニューラルネットなど)が,予測ラベルの入力および出力として機能を取り,2) 上位モデルとしてのグラフニューラルネットワークが,観測データから構築された特徴データグラフをメッセージパッシングすることで,新機能の埋め込みを外挿することを学ぶ。
  論文  参考訳（メタデータ） (2021-10-09T09:02:45Z)
• Modern Non-Linear Function-on-Function Regression [8.231050911072755]
  本稿では,ニューラルネットワークを用いた関数データに対する非線形関数オン関数回帰モデルを提案する。 FDNN(Functional Direct Neural Network)とFBNN(Functional Basis Neural Network)の2つのモデルフィッティング戦略を提案する。
  論文  参考訳（メタデータ） (2021-07-29T16:19:59Z)
• Non-linear Functional Modeling using Neural Networks [6.624726878647541]
  ニューラルネットワークに基づく関数型データのための非線形モデルの新たなクラスを導入する。 提案するフレームワークには,連続的な隠蔽層を持つ関数型ニューラルネットワークと,ベース拡張と連続隠蔽層を利用する第2バージョンという,2つのバリエーションがある。
  論文  参考訳（メタデータ） (2021-04-19T14:59:55Z)

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。