論文の概要: From Limited Annotated Raw Material Data to Quality Production Data: A Case Study in the Milk Industry (Technical Report)

• arxiv url: http://arxiv.org/abs/2204.12302v1
• Date: Tue, 26 Apr 2022 13:31:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 15:18:43.819169
• Title: From Limited Annotated Raw Material Data to Quality Production Data: A Case Study in the Milk Industry (Technical Report)
• Title（参考訳）: 限られた注釈付き原料データから品質生産データへ:乳業界における事例研究(技術報告)
• Authors: Roee Shraga, Gil Katz, Yael Badian, Nitay Calderon, Avigdor Gal
• Abstract要約: 本稿では,学習能力を高めるために能動的学習を用いた設計手法を提案し,原料学習データの制約量を用いて生産結果のモデルを構築する。 提案手法は, 乳工場から牛乳を回収し, 乳製品製造工場に持ち込み, コテージチーズに加工する乳産業において, 実際の適用例を用いて実証された。
• 参考スコア（独自算出の注目度）: 12.160299682018636
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industry 4.0 offers opportunities to combine multiple sensor data sources using IoT technologies for better utilization of raw material in production lines. A common belief that data is readily available (the big data phenomenon), is oftentimes challenged by the need to effectively acquire quality data under severe constraints. In this paper we propose a design methodology, using active learning to enhance learning capabilities, for building a model of production outcome using a constrained amount of raw material training data. The proposed methodology extends existing active learning methods to effectively solve regression-based learning problems and may serve settings where data acquisition requires excessive resources in the physical world. We further suggest a set of qualitative measures to analyze learners performance. The proposed methodology is demonstrated using an actual application in the milk industry, where milk is gathered from multiple small milk farms and brought to a dairy production plant to be processed into cottage cheese.
• Abstract（参考訳）: industry 4.0は、iot技術を使って複数のセンサーデータソースを組み合わせる機会を提供し、製品ラインで原料をより有効活用する。 データが容易に利用できるという一般的な信念(ビッグデータ現象)は、厳しい制約下で品質データを効果的に取得する必要性にしばしば挑戦される。 本稿では,学習能力を高めるためにアクティブラーニングを用いた設計手法を提案する。 提案手法は,既存の能動学習手法を拡張して回帰学習を効果的に解決し,物理世界においてデータ取得が過剰なリソースを必要とするような状況に対処する。 さらに,学習者のパフォーマンス分析のための質的尺度も提案する。 提案手法は, 乳産業において, 乳を複数の小乳農場から採取し, 乳製品工場に持ち込み, コテージチーズに加工する実例を用いて実証した。

関連論文リスト

• Learning with Less: Knowledge Distillation from Large Language Models via Unlabeled Data [54.934578742209716]
  現実世界のNLPアプリケーションでは、Large Language Models (LLMs) は巨大なデータセットの広範なトレーニングのために、有望なソリューションを提供する。 LLKDは、教師と学生の両方の信号を組み込んだ適応的なサンプル選択法である。 総合的な実験により,LLKDは高いデータ効率で,様々なデータセットで優れた性能を発揮することが示された。
  論文  参考訳（メタデータ） (2024-11-12T18:57:59Z)
• Forewarned is Forearmed: Leveraging LLMs for Data Synthesis through Failure-Inducing Exploration [90.41908331897639]
  大規模言語モデル(LLM)は、多種多様な高品質なタスク特化データのトレーニングの恩恵を受けている。 本稿では,効果的なトレーニングサンプルを自動生成する新しい手法であるReverseGenを提案する。
  論文  参考訳（メタデータ） (2024-10-22T06:43:28Z)
• The Frontier of Data Erasure: Machine Unlearning for Large Language Models [56.26002631481726]
  大規模言語モデル(LLM)はAIの進歩の基礎となっている。 LLMは機密情報、偏見情報、著作権情報を記憶し、広めることによってリスクを生じさせる。 機械学習は、これらの懸念を軽減するための最先端のソリューションとして現れます。
  論文  参考訳（メタデータ） (2024-03-23T09:26:15Z)
• Machine learning for industrial sensing and control: A survey and practical perspective [7.678648424345052]
  プロセス産業で実際に成功している重要な統計および機械学習技術を特定する。 ソフトセンシングは、統計学と機械学習の手法の多くの産業応用を含んでいる。 データ駆動最適化と制御のための2つの異なるフレーバーについて考察する。
  論文  参考訳（メタデータ） (2024-01-24T22:27:04Z)
• Benchmarking Automated Machine Learning Methods for Price Forecasting Applications [58.720142291102135]
  自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。 CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。 本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
  論文  参考訳（メタデータ） (2023-04-28T10:27:38Z)
• Flexible, Model-Agnostic Method for Materials Data Extraction from Text Using General Purpose Language Models [5.748877272090607]
  大規模言語モデル(LLM)は、人間がテキストと対話する方法を変えつつある。 本研究では,全文研究論文から資料データを抽出する簡便かつ効率的な手法を実証する。 このアプローチでは、抽出されたプロパティに関するコーディングや事前の知識は最小限から不要である。 結果のデータベースにおいて、高いリコールとほぼ完璧な精度を提供する。
  論文  参考訳（メタデータ） (2023-02-09T19:56:37Z)
• Utilizing Domain Knowledge: Robust Machine Learning for Building Energy Prediction with Small, Inconsistent Datasets [1.1081836812143175]
  機械学習(ML)アプリケーションに対する膨大なデータ需要は、現在ボトルネックとなっている。 本稿では,先行知識とデータ駆動手法を組み合わせることで,データの依存性を大幅に低減する手法を提案する。 知識符号化データ駆動手法としてCBMLをエネルギー効率の高い建築工学の文脈で検討する。
  論文  参考訳（メタデータ） (2023-01-23T08:56:11Z)
• Deep Learning based pipeline for anomaly detection and quality enhancement in industrial binder jetting processes [68.8204255655161]
  異常検出は、通常の値空間とは異なる異常状態、インスタンス、あるいはデータポイントを検出する方法を記述する。 本稿では,産業生産における人工知能へのデータ中心のアプローチに寄与する。
  論文  参考訳（メタデータ） (2022-09-21T08:14:34Z)
• Understanding and Preparing Data of Industrial Processes for Machine Learning Applications [0.0]
  本稿では, 非線形生産ラインの異なる生産ユニットにおけるセンサの非有効性に起因する, 欠落値の問題に対処する。 データのごく一部が欠落している場合、これらの欠落した値はしばしば暗示される。 本稿では,大量の観測データを除去することなく,利用可能なすべてのデータを活用できる手法を提案する。
  論文  参考訳（メタデータ） (2021-09-08T07:39:11Z)
• Graph-based Reinforcement Learning for Active Learning in Real Time: An Application in Modeling River Networks [2.8631830115500394]
  本研究では,空間的・時間的文脈情報を用いたリアルタイム能動学習手法を開発し,強化学習フレームワークにおける代表的クエリサンプルの選択を行う。 ラベル付きデータ収集の予算が限られているデラウェア川流域において, 流水量と水温を予測し, 提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-27T02:19:40Z)
• Bayesian active learning for production, a systematic study and a reusable library [85.32971950095742]
  本稿では,現在のアクティブラーニング技術の主な欠点について分析する。 実世界のデータセットの最も一般的な課題が深層能動学習プロセスに与える影響について,系統的研究を行った。 部分的不確実性サンプリングやより大きいクエリサイズといった,アクティブな学習ループを高速化する2つの手法を導出する。
  論文  参考訳（メタデータ） (2020-06-17T14:51:11Z)

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。