論文の概要: Capturing and incorporating expert knowledge into machine learning
models for quality prediction in manufacturing
- arxiv url: http://arxiv.org/abs/2202.02003v1
- Date: Fri, 4 Feb 2022 07:22:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 23:57:37.947531
- Title: Capturing and incorporating expert knowledge into machine learning
models for quality prediction in manufacturing
- Title（参考訳）: 生産品質予測のための機械学習モデルへの専門知識の取り込みと組み入れ
- Authors: Patrick Link, Miltiadis Poursanidis, Jochen Schmid, Rebekka Zache,
Martin von Kurnatowski, Uwe Teicher, Steffen Ihlenfeldt
- Abstract要約: 本研究では,小規模データセットを用いた機械学習手法を用いて品質予測モデルを構築するための一般的な手法を提案する。
提案手法は,プロセススペシャリストが規定するすべての専門知識に厳密に準拠する予測モデルを生成する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Increasing digitalization enables the use of machine learning methods for
analyzing and optimizing manufacturing processes. A main application of machine
learning is the construction of quality prediction models, which can be used,
among other things, for documentation purposes, as assistance systems for
process operators, or for adaptive process control. The quality of such machine
learning models typically strongly depends on the amount and the quality of
data used for training. In manufacturing, the size of available datasets before
start of production is often limited. In contrast to data, expert knowledge
commonly is available in manufacturing. Therefore, this study introduces a
general methodology for building quality prediction models with machine
learning methods on small datasets by integrating shape expert knowledge, that
is, prior knowledge about the shape of the input-output relationship to be
learned. The proposed methodology is applied to a brushing process with $125$
data points for predicting the surface roughness as a function of five process
variables. As opposed to conventional machine learning methods for small
datasets, the proposed methodology produces prediction models that strictly
comply with all the expert knowledge specified by the involved process
specialists. In particular, the direct involvement of process experts in the
training of the models leads to a very clear interpretation and, by extension,
to a high acceptance of the models. Another merit of the proposed methodology
is that, in contrast to most conventional machine learning methods, it involves
no time-consuming and often heuristic hyperparameter tuning or model selection
step.
- Abstract（参考訳）: デジタル化の増大により、製造プロセスの分析と最適化に機械学習の方法が利用できる。
機械学習の主な応用は品質予測モデルの構築であり、文書化のために、あるいはプロセスオペレーターの支援システムとして、あるいは適応プロセス制御として使用できる。
このような機械学習モデルの品質は、一般的にトレーニングに使用されるデータ量と品質に大きく依存します。
製造において、生産開始前の利用可能なデータセットのサイズはしばしば制限される。
データとは対照的に、専門家の知識は一般的に製造で利用できる。
そこで本研究では,学習対象の入出力関係の形状に関する事前知識を活用し,小型データセット上での機械学習手法を用いた品質予測モデルを構築するための一般的な手法を提案する。
提案手法は,5つのプロセス変数の関数として表面粗さを予測するために,125ドルのデータポイントを持つブラッシングプロセスに適用する。
小データセットに対する従来の機械学習手法とは対照的に,提案手法は,関係するプロセススペシャリストが規定するすべての専門知識に厳密に準拠する予測モデルを生成する。
特に、モデルのトレーニングにおけるプロセスエキスパートの直接的な関与は、非常に明確な解釈と拡張によって、モデルの高い受け入れにつながります。
提案手法のもう1つの利点は、従来の機械学習手法とは対照的に、時間がかかり、しばしばヒューリスティックなハイパーパラメータチューニングやモデル選択ステップを伴わないことである。
関連論文リスト
- Machine Learning for predicting chaotic systems [0.0]
我々は、よく調整された単純な手法と、未調整のベースライン手法が、しばしば最先端のディープラーニングモデルより優れていることを示す。
これらの結果は、データ特性と利用可能な計算資源に対するマッチング予測手法の重要性を浮き彫りにしている。
論文 参考訳（メタデータ） (2024-07-29T16:34:47Z) - PILOT: A Pre-Trained Model-Based Continual Learning Toolbox [71.63186089279218]
本稿では,PILOTとして知られるモデルベース連続学習ツールボックスについて紹介する。
一方、PILOTはL2P、DualPrompt、CODA-Promptといった事前学習モデルに基づいて、最先端のクラスインクリメンタル学習アルゴリズムを実装している。
一方、PILOTは、事前学習されたモデルの文脈に典型的なクラス増分学習アルゴリズムを適合させ、それらの効果を評価する。
論文 参考訳（メタデータ） (2023-09-13T17:55:11Z) - Tailoring Machine Learning for Process Mining [5.237999056930947]
我々は、プロセスマイニングと機械学習の健全な統合を構築する上で、機械学習モデルをプロセスデータでトレーニングすることで生じる問題に対する深い洞察が不可欠であると主張している。
本研究の目的は,機械学習とプロセスマイニングの要件を正しく整合させることを目的とした方法論の基礎を構築することである。
論文 参考訳（メタデータ） (2023-06-17T12:59:51Z) - Stop overkilling simple tasks with black-box models and use transparent
models instead [57.42190785269343]
ディープラーニングアプローチは、生データから自律的に機能を抽出することができる。
これにより、機能エンジニアリングプロセスをバイパスすることができる。
ディープラーニング戦略は、しばしば精度で従来のモデルより優れている。
論文 参考訳（メタデータ） (2023-02-06T14:28:49Z) - Uncertainty Estimation in Machine Learning [0.0]
機械学習において、モデルの複雑さと厳密な非線形性は、不確実性評価に深刻な障害となる。
事前トレーニングモデルの最新の例は、数十億のパラメータと半テラバイトのトレーニングデータセットを備えたGenerative Pre-trained Transformer 3である。
論文 参考訳（メタデータ） (2022-06-03T16:11:11Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳（メタデータ） (2022-05-05T13:40:08Z) - 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) - Model-Based Deep Learning [155.063817656602]
信号処理、通信、制御は伝統的に古典的な統計モデリング技術に依存している。
ディープニューラルネットワーク(DNN)は、データから操作を学ぶ汎用アーキテクチャを使用し、優れたパフォーマンスを示す。
私たちは、原理数学モデルとデータ駆動システムを組み合わせて両方のアプローチの利点を享受するハイブリッド技術に興味があります。
論文 参考訳（メタデータ） (2020-12-15T16:29:49Z) - Introduction to Rare-Event Predictive Modeling for Inferential
Statisticians -- A Hands-On Application in the Prediction of Breakthrough
Patents [0.0]
本稿では,予測性能の最適化を目的とした定量的分析のための機械学習(ML)手法を提案する。
両フィールド間の潜在的な相乗効果について考察する。
我々は,コンピュータサイエンスの用語のデミスティフィケーションを目指して,定量的な社会科学の聴衆に手持ちの予測モデルの導入を行っている。
論文 参考訳（メタデータ） (2020-03-30T13:06:25Z) - Towards CRISP-ML(Q): A Machine Learning Process Model with Quality
Assurance Methodology [53.063411515511056]
本稿では,機械学習アプリケーション開発のためのプロセスモデルを提案する。
第1フェーズでは、データの可用性がプロジェクトの実現可能性に影響を与えることが多いため、ビジネスとデータの理解が結合されます。
第6フェーズでは、機械学習アプリケーションの監視とメンテナンスに関する最先端のアプローチがカバーされている。
論文 参考訳（メタデータ） (2020-03-11T08:25:49Z)
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。