論文の概要: Who supervises the supervisor? Model monitoring in production using deep
feature embeddings with applications to workpiece inspection
- arxiv url: http://arxiv.org/abs/2201.06599v1
- Date: Mon, 17 Jan 2022 19:25:33 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-19 14:24:44.771871
- Title: Who supervises the supervisor? Model monitoring in production using deep
feature embeddings with applications to workpiece inspection
- Title（参考訳）: 誰が監督を?
深部特徴埋め込みを用いた生産時のモデルモニタリングとワークワークインスペクションへの応用
- Authors: Michael Banf and Gregor Steinhagen
- Abstract要約: 機械学習は、自律的なプロセス監視の領域で大幅な改善をもたらした。
主な課題の1つは、これらの機械学習システムのライブデプロイメントの監視である。
教師なし分類システム上で機能する教師なしのフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The automation of condition monitoring and workpiece inspection plays an
essential role in maintaining high quality as well as high throughput of the
manufacturing process. To this end, the recent rise of developments in machine
learning has lead to vast improvements in the area of autonomous process
supervision. However, the more complex and powerful these models become, the
less transparent and explainable they generally are as well. One of the main
challenges is the monitoring of live deployments of these machine learning
systems and raising alerts when encountering events that might impact model
performance. In particular, supervised classifiers are typically build under
the assumption of stationarity in the underlying data distribution. For
example, a visual inspection system trained on a set of material surface
defects generally does not adapt or even recognize gradual changes in the data
distribution - an issue known as "data drift" - such as the emergence of new
types of surface defects. This, in turn, may lead to detrimental
mispredictions, e.g. samples from new defect classes being classified as
non-defective. To this end, it is desirable to provide real-time tracking of a
classifier's performance to inform about the putative onset of additional error
classes and the necessity for manual intervention with respect to classifier
re-training. Here, we propose an unsupervised framework that acts on top of a
supervised classification system, thereby harnessing its internal deep feature
representations as a proxy to track changes in the data distribution during
deployment and, hence, to anticipate classifier performance degradation.
- Abstract（参考訳）: コンディションモニタリングとワークインスペクションの自動化は、製造プロセスの高スループットと高品質を維持する上で重要な役割を果たす。
この目的のために、近年の機械学習の発展は、自律的なプロセス監視の領域で大幅に改善されている。
しかし、これらのモデルがより複雑で強力になると、透明性が低くなり、一般にも説明が容易になる。
主な課題のひとつは、これらの機械学習システムのライブデプロイメントの監視と、モデルパフォーマンスに影響を与える可能性のあるイベントに遭遇した場合のアラートの発行だ。
特に、教師付き分類器は、基礎となるデータ分布の定常性を前提に構築される。
例えば、材料表面欠陥のセットに基づいてトレーニングされた視覚検査システムは、一般的に、新しいタイプの表面欠陥の出現など、データ分散の段階的な変化("データドリフト"と呼ばれる問題)を適応または認識しない。
これは、例えば、新しい欠陥クラスのサンプルが非欠陥であると分類されるなど、有害な誤予測を引き起こす可能性がある。
この目的のために、分類器の動作をリアルタイムに追跡し、追加のエラークラスの入出力と、分類器の再訓練に関する手動介入の必要性を知らせることが望ましい。
本稿では,教師付き分類システム上で機能する非教師付きフレームワークを提案し,その内部深層特徴表現をプロキシとして利用し,デプロイ時のデータ分布の変化を追跡し,分類器の性能低下を予測した。
関連論文リスト
- Explanatory Model Monitoring to Understand the Effects of Feature Shifts on Performance [61.06245197347139]
そこで本研究では,機能シフトによるブラックボックスモデルの振る舞いを説明する新しい手法を提案する。
本稿では,最適輸送と共有値の概念を組み合わせた提案手法について,説明的性能推定として紹介する。
論文 参考訳（メタデータ） (2024-08-24T18:28:19Z) - SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳（メタデータ） (2024-07-23T20:34:23Z) - GeneralAD: Anomaly Detection Across Domains by Attending to Distorted Features [68.14842693208465]
GeneralADは、意味的、ほぼ分布的、産業的設定で動作するように設計された異常検出フレームワークである。
本稿では,ノイズ付加やシャッフルなどの簡単な操作を施した自己教師付き異常生成モジュールを提案する。
提案手法を10のデータセットに対して広範囲に評価し,6つの実験結果と,残りの6つの実験結果を得た。
論文 参考訳（メタデータ） (2024-07-17T09:27:41Z) - Continuous Test-time Domain Adaptation for Efficient Fault Detection under Evolving Operating Conditions [10.627285023764086]
本稿では,入力変数をシステムパラメータと測定値に分離したテスト時間領域適応異常検出(TAAD)フレームワークを提案する。
本手法は,実世界のポンプモニタリングデータセットを用いて検証し,既存の領域適応法よりも優れた故障検出手法であることを示す。
論文 参考訳（メタデータ） (2024-06-06T15:53:14Z) - Pseudo Replay-based Class Continual Learning for Online New Category Anomaly Detection in Advanced Manufacturing [5.012204041812572]
本稿では,新しい擬似リプレイ型連続学習フレームワークを開発する。
クラスインクリメンタル学習とオーバーサンプリングベースのデータ生成を統合している。
提案手法の有効性を3つのケーススタディで検証した。
論文 参考訳（メタデータ） (2023-12-05T04:43:23Z) - FaultFormer: Pretraining Transformers for Adaptable Bearing Fault Classification [7.136205674624813]
本稿では,トランスモデルに基づく自己教師型事前学習および微調整フレームワークを提案する。
特に、最先端のアキュラシーに到達するための異なるトークン化とデータ拡張戦略について検討する。
このパラダイムでは、異なるベアリング、障害、機械からラベル付けされていないデータに基づいてモデルを事前訓練し、新しいデータスカースアプリケーションに素早くデプロイすることが可能になる。
論文 参考訳（メタデータ） (2023-12-04T22:51:02Z) - A Novel Strategy for Improving Robustness in Computer Vision
Manufacturing Defect Detection [1.3198689566654107]
高性能製造における視覚的品質検査は、コスト削減と改善された厳密さのために自動化の恩恵を受けることができる。
ディープラーニング技術は、分類やオブジェクト検出といった汎用的なコンピュータビジョンタスクの最先端技術である。
データが反復的であり、そこから学ぶべき欠陥や逸脱のイメージがほとんどないからである。
論文 参考訳（メタデータ） (2023-05-16T12:51:51Z) - Generative Modeling Helps Weak Supervision (and Vice Versa) [87.62271390571837]
本稿では,弱い監督と生成的敵ネットワークを融合したモデルを提案する。
弱い監督によるラベル推定と並行して、データの離散変数をキャプチャする。
これは、弱い教師付き合成画像と擬似ラベルによるデータ拡張を可能にする最初のアプローチである。
論文 参考訳（メタデータ） (2022-03-22T20:24:21Z) - Tracking the risk of a deployed model and detecting harmful distribution
shifts [105.27463615756733]
実際には、デプロイされたモデルのパフォーマンスが大幅に低下しないという、良心的なシフトを無視することは理にかなっている。
我々は,警告を発射する有効な方法は,(a)良性な警告を無視しながら有害なシフトを検知し,(b)誤報率を増大させることなく,モデル性能の連続的なモニタリングを可能にすることを論じる。
論文 参考訳（メタデータ） (2021-10-12T17:21:41Z) - Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。
特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。
次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
論文 参考訳（メタデータ） (2021-08-06T05:20:46Z) - Building an Automated and Self-Aware Anomaly Detection System [0.0]
異常に対して多種多様かつ常に変化する時系列を積極的に監視することは困難である。
伝統的に、データ生成プロセスとパターンのバリエーションは、異常を正確にフラグするモデルを作成するために、強力なモデリングの専門知識を必要としてきた。
本稿では,手作業による介入を必要とせず,各モデルに必要な変更を加えることで,この共通課題を克服する異常検出システムについて述べる。
論文 参考訳（メタデータ） (2020-11-10T11:19:07Z)
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。