論文の概要: A Natural Language Processing and Deep Learning based Model for Automated Vehicle Diagnostics using Free-Text Customer Service Reports

• arxiv url: http://arxiv.org/abs/2111.14977v1
• Date: Mon, 29 Nov 2021 21:41:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-02 07:22:25.059407
• Title: A Natural Language Processing and Deep Learning based Model for Automated Vehicle Diagnostics using Free-Text Customer Service Reports
• Title（参考訳）: 自由テキスト顧客レポートを用いた車両自動診断のための自然言語処理とディープラーニングに基づくモデル
• Authors: Ali Khodadadi, Soroush Ghandiparsi, Chen-Nee Chuah
• Abstract要約: 自動車両診断を改善するための機械学習パイプラインを実演する。 第一に、自然言語処理(NLP)は、自由テキスト障害レポートから重要な情報の抽出を自動化するために使用される。 深層学習アルゴリズムは、サービス要求を検証するために使われ、曖昧で誤解を招くクレームをフィルタリングする。
• 参考スコア（独自算出の注目度）: 3.970010025578998
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Initial fault detection and diagnostics are imperative measures to improve the efficiency, safety, and stability of vehicle operation. In recent years, numerous studies have investigated data-driven approaches to improve the vehicle diagnostics process using available vehicle data. Moreover, data-driven methods are employed to enhance customer-service agent interactions. In this study, we demonstrate a machine learning pipeline to improve automated vehicle diagnostics. First, Natural Language Processing (NLP) is used to automate the extraction of crucial information from free-text failure reports (generated during customers' calls to the service department). Then, deep learning algorithms are employed to validate service requests and filter vague or misleading claims. Ultimately, different classification algorithms are implemented to classify service requests so that valid service requests can be directed to the relevant service department. The proposed model- Bidirectional Long Short Term Memory (BiLSTM) along with Convolution Neural Network (CNN)- shows more than 18\% accuracy improvement in validating service requests compared to technicians' capabilities. In addition, using domain-based NLP techniques at preprocessing and feature extraction stages along with CNN-BiLSTM based request validation enhanced the accuracy ($>25\%$), sensitivity ($>39\%$), specificity ($>11\%$), and precision ($>11\%$) of Gradient Tree Boosting (GTB) service classification model. The Receiver Operating Characteristic Area Under the Curve (ROC-AUC) reached 0.82.
• Abstract（参考訳）: 初期故障検出と診断は、車両運用の効率、安全性、安定性を改善するための重要な手段である。 近年、利用可能な車両データを用いて車両診断プロセスを改善するためのデータ駆動アプローチの研究が数多く行われている。 さらに、顧客-サービスエージェントのインタラクションを強化するためにデータ駆動方式が採用されている。 本研究では,自動診断を改善するための機械学習パイプラインを提案する。 まず、自然言語処理(nlp)は、フリーテキスト障害レポート(サービス部門への顧客の呼び出し中に生成された)から重要な情報を抽出するのに使用される。 次に、深層学習アルゴリズムを使用して、サービス要求の検証と、曖昧あるいは誤解を招くクレームのフィルタリングを行う。 最終的に、サービス要求を分類するために異なる分類アルゴリズムが実装され、有効なサービス要求を関連するサービス部門に向けることができる。 提案したモデル-双方向長短期記憶(BiLSTM)と畳み込みニューラルネットワーク(CNN)は、技術者の能力と比較して、サービス要求を検証する精度が18%以上向上していることを示す。 さらに、前処理や機能抽出の段階でドメインベースのNLP技術を用いることで、CNN-BiLSTMベースの要求バリデーションとともに、精度($>25\%$)、感度($>39\%$)、特異性($>11\%$)、グラディエントツリーブースティング(GTB)サービスの分類モデルの精度($>11\%$)が向上した。 受信機動作特性領域(ROC-AUC)は0.82に達した。

関連論文リスト

• Test-time adaptation for geospatial point cloud semantic segmentation with distinct domain shifts [6.80671668491958]
  テスト時間適応(TTA)は、ソースデータへのアクセスや追加のトレーニングなしに、推論段階でラベル付けされていないデータに事前訓練されたモデルの直接適応を可能にする。 本稿では,3つの領域シフトパラダイムを提案する。光グラムから空気中LiDAR,空気中LiDAR,合成-移動レーザー走査である。 実験の結果,分類精度は最大20%mIoUに向上し,他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-07-08T15:40:28Z)
• AIDE: An Automatic Data Engine for Object Detection in Autonomous Driving [68.73885845181242]
  本稿では,問題を自動的に識別し,データを効率よくキュレートし,自動ラベル付けによりモデルを改善する自動データエンジン(AIDE)を提案する。 さらに,AVデータセットのオープンワールド検出のためのベンチマークを構築し,様々な学習パラダイムを包括的に評価し,提案手法の優れた性能を低コストで実証する。
  論文  参考訳（メタデータ） (2024-03-26T04:27:56Z)
• AutoFT: Learning an Objective for Robust Fine-Tuning [60.641186718253735]
  ファンデーションモデルは、微調整によって下流タスクに適応できるリッチな表現をエンコードする。 手作り正則化技術を用いた頑健な微調整への最近のアプローチ 我々は、堅牢な微調整のためのデータ駆動型アプローチであるAutoFTを提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:58:49Z)
• GEqO: ML-Accelerated Semantic Equivalence Detection [3.5521901508676774]
  クラスタリソースの効率的な利用とジョブ実行時間の削減には,共通計算が不可欠だ。 大規模分析エンジンの等価性を検出するには、完全に自動化された効率的でスケーラブルなソリューションが必要である。 本稿では,大規模で意味論的に等価な計算を効率的に識別する,ポータブルで軽量な機械学習ベースのフレームワークであるGEqOを提案する。
  論文  参考訳（メタデータ） (2024-01-02T16:37:42Z)
• Unsupervised Domain Adaptation for Self-Driving from Past Traversal Features [69.47588461101925]
  本研究では,新しい運転環境に3次元物体検出器を適応させる手法を提案する。 提案手法は,空間的量子化履歴特徴を用いたLiDARに基づく検出モデルを強化する。 実世界のデータセットの実験では、大幅な改善が示されている。
  論文  参考訳（メタデータ） (2023-09-21T15:00:31Z)
• A Deep Recurrent-Reinforcement Learning Method for Intelligent AutoScaling of Serverless Functions [18.36339203254509]
  Fは軽量で関数ベースのクラウド実行モデルを導入し、IoTエッジデータ処理や異常検出など、さまざまなアプリケーションでその妥当性を見出す。
  論文  参考訳（メタデータ） (2023-08-11T04:41:19Z)
• AutoCure: Automated Tabular Data Curation Technique for ML Pipelines [0.0]
  本稿では,新鮮で構成のないデータキュレーションパイプラインであるAutoCureを紹介する。 従来のデータキュレーション方法とは異なり、AutoCureはクリーンなデータ率の密度を合成的に強化する。 実際にAutoCureは、オープンソースのツールと統合して、機械学習の民主化を促進することができる。
  論文  参考訳（メタデータ） (2023-04-26T15:51:47Z)
• LogLAB: Attention-Based Labeling of Log Data Anomalies via Weak Supervision [63.08516384181491]
  専門家の手作業を必要とせず,ログメッセージの自動ラベル付けのための新しいモデリング手法であるLogLABを提案する。 本手法は,監視システムが提供する推定故障時間ウィンドウを用いて,正確なラベル付きデータセットを振り返りに生成する。 我々の評価によると、LogLABは3つの異なるデータセットで9つのベンチマークアプローチを一貫して上回り、大規模な障害時ウィンドウでも0.98以上のF1スコアを維持している。
  論文  参考訳（メタデータ） (2021-11-02T15:16:08Z)
• Automated Machine Learning Techniques for Data Streams [91.3755431537592]
  本稿では、最先端のオープンソースAutoMLツールを調査し、ストリームから収集したデータに適用し、時間とともにパフォーマンスがどのように変化するかを測定する。 この結果から,既製のAutoMLツールで十分な結果が得られることが示されたが,概念ドリフトや検出,適応といった手法が適用されれば,予測精度を時間とともに維持することが可能になる。
  論文  参考訳（メタデータ） (2021-06-14T11:42:46Z)
• ALT-MAS: A Data-Efficient Framework for Active Testing of Machine Learning Algorithms [58.684954492439424]
  少量のラベル付きテストデータのみを用いて機械学習モデルを効率的にテストする新しいフレームワークを提案する。 ベイズニューラルネットワーク(bnn)を用いたモデルアンダーテストの関心指標の推定が目的である。
  論文  参考訳（メタデータ） (2021-04-11T12:14:04Z)

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。