論文の概要: On the Construction of Distribution-Free Prediction Intervals for an
Image Regression Problem in Semiconductor Manufacturing
- arxiv url: http://arxiv.org/abs/2203.03150v1
- Date: Mon, 7 Mar 2022 06:00:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-08 15:21:41.512098
- Title: On the Construction of Distribution-Free Prediction Intervals for an
Image Regression Problem in Semiconductor Manufacturing
- Title（参考訳）: 半導体製造における画像回帰問題に対する分布自由予測区間の構築について
- Authors: Inimfon I. Akpabio, Serap A. Savari
- Abstract要約: 本稿では,ノイズ走査型電子顕微鏡画像からの線端粗さ推定の問題に焦点をあてる。
LER推定に正規化共形予測と量子レグレッションを効果的に活用する方法は、すぐには明らかではない。
本稿では,画像データの分布自由な予測区間を見つけるためのモデリング手法を提案する。
- 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 high-volume manufacturing of the next generation of semiconductor devices
requires advances in measurement signal analysis. Many in the semiconductor
manufacturing community have reservations about the adoption of deep learning;
they instead prefer other model-based approaches for some image regression
problems, and according to the 2021 IEEE International Roadmap for Devices and
Systems (IRDS) report on Metrology a SEMI standardization committee may endorse
this philosophy. The semiconductor manufacturing community does, however,
communicate a need for state-of-the-art statistical analyses to reduce
measurement uncertainty. Prediction intervals which characterize the
reliability of the predictive performance of regression models can impact
decisions, build trust in machine learning, and be applied to other regression
models. However, we are not aware of effective and sufficiently simple
distribution-free approaches that offer valid coverage for important classes of
image data, so we consider the distribution-free conformal prediction and
conformalized quantile regression framework.The image regression problem that
is the focus of this paper pertains to line edge roughness (LER) estimation
from noisy scanning electron microscopy images. LER affects semiconductor
device performance and reliability as well as the yield of the manufacturing
process; the 2021 IRDS emphasizes the crucial importance of LER by devoting a
white paper to it in addition to mentioning or discussing it in the reports of
multiple international focus teams. It is not immediately apparent how to
effectively use normalized conformal prediction and quantile regression for LER
estimation. The modeling techniques we apply appear to be novel for finding
distribution-free prediction intervals for image data and will be presented at
the 2022 SEMI Advanced Semiconductor Manufacturing Conference.
- Abstract（参考訳）: 次世代半導体デバイスの大量製造には計測信号解析の進歩が必要である。
2021年のieee international roadmap for devices and systems (irds) report on metrology によると、セミ標準化委員会はこの哲学に賛同するかもしれない。
しかし半導体製造コミュニティは、測定の不確かさを減らすために最先端の統計分析の必要性を伝えている。
回帰モデルの予測性能の信頼性を特徴付ける予測間隔は、決定に影響を与え、機械学習への信頼を築き、他の回帰モデルに適用することができる。
しかし、画像データの重要クラスに対して有効なカバレッジを提供する、有効かつ十分な分散フリーなアプローチを意識していないため、分布フリーな共形予測と共形量子化回帰フレームワークを検討し、ノイズ走査電子顕微鏡画像からラインエッジ粗さ(ler)推定に焦点をあてた画像回帰問題を提案する。
LERは半導体デバイスの性能と信頼性に影響を及ぼし、製造プロセスの収量にも影響を及ぼす。2021 IRDSは、複数の国際焦点チームの報告に言及したり議論したりすることに加えて、白紙をそれに捧げることによるLERの重要な重要性を強調している。
LER推定に正規化共形予測と量子回帰を効果的に活用する方法は、現時点では明らかではない。
本稿では,2022年SEMI先端半導体製造会議において,画像データの分布のない予測間隔を求めるためのモデリング手法について紹介する。
関連論文リスト
- Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。
本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。
低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
論文 参考訳（メタデータ） (2024-05-28T20:43:53Z) - Towards Theoretical Understandings of Self-Consuming Generative Models [56.84592466204185]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,このトレーニングが将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
カーネル密度推定の結果は,混合データトレーニングがエラー伝播に与える影響など,微妙な洞察を与える。
論文 参考訳（メタデータ） (2024-02-19T02:08:09Z) - Exploiting Diffusion Prior for Generalizable Dense Prediction [85.4563592053464]
近年のテキスト・トゥ・イメージ(T2I)拡散モデルでは、既成の高密度予測器では予測できないことがある。
我々は,事前学習したT2Iモデルを用いたパイプラインDMPを,高密度予測タスクの先駆けとして導入する。
限られたドメインのトレーニングデータにもかかわらず、この手法は任意の画像に対して忠実に推定し、既存の最先端のアルゴリズムを超越する。
論文 参考訳（メタデータ） (2023-11-30T18:59:44Z) - Utilizing Multiple Inputs Autoregressive Models for Bearing Remaining
Useful Life Prediction [3.448070371030467]
軸受のRUL予測において,この課題に対処する新しい多入力自己回帰モデルを提案する。
自己回帰反復により、モデルはグローバルな受容場を獲得し、一般化の限界を効果的に克服する。
PMH2012データセットの実証評価では, 同様の自己回帰アプローチを用いたバックボーンネットワークと比較して, ルート平均角誤差(RMSE)とスコアが有意に低いことが示されている。
論文 参考訳（メタデータ） (2023-11-26T09:50:32Z) - Dynamic Model Agnostic Reliability Evaluation of Machine-Learning
Methods Integrated in Instrumentation & Control Systems [1.8978726202765634]
データ駆動型ニューラルネットワークベースの機械学習アルゴリズムの信頼性は十分に評価されていない。
National Institute for Standards and Technologyの最近のレポートでは、MLにおける信頼性は採用にとって重要な障壁となっている。
トレーニングデータセットにアウト・オブ・ディストリビューション検出を組み込むことにより、ML予測の相対的信頼性を評価するためのリアルタイムモデル非依存手法を実証する。
論文 参考訳（メタデータ） (2023-08-08T18:25:42Z) - Multi-Dimensional Self Attention based Approach for Remaining Useful
Life Estimation [0.17205106391379021]
RUL(Remaining Useful Life)推定は、予後・健康管理(PHM)において重要な役割を担っている。
本稿では,IIoTシナリオにおけるマルチセンサデバイスのための生活予測モデルについて検討する。
本稿では,RUL推定のためのデータ駆動手法を提案する。
論文 参考訳（メタデータ） (2022-12-12T08:50:27Z) - Compound Density Networks for Risk Prediction using Electronic Health
Records [1.1786249372283562]
複合密度ネットワーク(CDNet)を用いたエンドツーエンド統合手法を提案する。
CDNetは、単一のフレームワーク内で計算方法と予測モデルを調整できるようにする。
我々は,MIMIC-IIIデータセット上での死亡予測タスクにおいてCDNetを検証した。
論文 参考訳（メタデータ） (2022-08-02T09:04:20Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳（メタデータ） (2021-11-11T14:28:12Z) - On Minimum Word Error Rate Training of the Hybrid Autoregressive
Transducer [40.63693071222628]
ハイブリッド自己回帰変換器(HAT)の最小単語誤り率(MWER)訓練について検討する。
約3万時間のトレーニングデータを用いた実験から,MWERトレーニングがHATモデルの精度を向上させることを示す。
論文 参考訳（メタデータ） (2020-10-23T21:16:30Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - TraDE: Transformers for Density Estimation [101.20137732920718]
TraDEは自己回帰密度推定のための自己アテンションに基づくアーキテクチャである。
本稿では, 生成したサンプルを用いた回帰, 分布外検出, トレーニングデータにおける雑音に対する頑健性などのタスクについて述べる。
論文 参考訳（メタデータ） (2020-04-06T07:32:51Z)
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。