論文の概要: Imbalanced Data Classification via Generative Adversarial Network with
Application to Anomaly Detection in Additive Manufacturing Process
- arxiv url: http://arxiv.org/abs/2210.17274v1
- Date: Fri, 28 Oct 2022 16:08:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 19:40:39.044882
- Title: Imbalanced Data Classification via Generative Adversarial Network with
Application to Anomaly Detection in Additive Manufacturing Process
- Title（参考訳）: 生成逆数ネットワークによる不均衡データ分類と付加製造プロセスにおける異常検出への応用
- Authors: Jihoon Chung, Bo Shen, and Zhenyu (James) Kong
- Abstract要約: 本稿では, 追加製造プロセスイメージセンサデータを用いたGAN(Generative Adversarial Network)に基づく新しいデータ拡張手法を提案する。
多様性があり高品質な生成されたサンプルは、分類器にバランスの取れたトレーニングデータを提供します。
提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
- 参考スコア（独自算出の注目度）: 5.225026952905702
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Supervised classification methods have been widely utilized for the quality
assurance of the advanced manufacturing process, such as additive manufacturing
(AM) for anomaly (defects) detection. However, since abnormal states (with
defects) occur much less frequently than normal ones (without defects) in the
manufacturing process, the number of sensor data samples collected from a
normal state outweighs that from an abnormal state. This issue causes
imbalanced training data for classification models, thus deteriorating the
performance of detecting abnormal states in the process. It is beneficial to
generate effective artificial sample data for the abnormal states to make a
more balanced training set. To achieve this goal, this paper proposes a novel
data augmentation method based on a generative adversarial network (GAN) using
additive manufacturing process image sensor data. The novelty of our approach
is that a standard GAN and classifier are jointly optimized with techniques to
stabilize the learning process of standard GAN. The diverse and high-quality
generated samples provide balanced training data to the classifier. The
iterative optimization between GAN and classifier provides the high-performance
classifier. The effectiveness of the proposed method is validated by both
open-source data and real-world case studies in polymer and metal AM processes.
- Abstract（参考訳）: anomaly (defects) 検出のための添加物製造 (am) などの先進的製造プロセスの品質保証には, 教師あり分類法が広く利用されている。
しかし、製造工程における異常状態(欠陥のある)は、通常の状態(欠陥のない)よりもはるかに少ないので、正常状態から収集されたセンサデータサンプルの数は、異常状態よりはるかに多い。
この問題は、分類モデルの不均衡なトレーニングデータを引き起こすため、プロセスにおける異常な状態の検出性能が低下する。
異常状態に対する効果的な人工サンプルデータを生成し、よりバランスの取れたトレーニングセットを作成することは有益である。
そこで本稿では,この目的を達成するために,加算製造プロセス画像センサデータを用いた生成的逆ネットワーク(gan)に基づく新しいデータ拡張手法を提案する。
提案手法の新規性は,標準GANと分類器が標準GANの学習過程を安定化させる技術と共同最適化されていることである。
多様な高品質な生成サンプルは、分類器にバランスのとれたトレーニングデータを提供する。
GANと分類器の反復最適化は高性能分類器を提供する。
提案手法の有効性は, オープンソースデータと実世界のケーススタディの両方を用いて, ポリマーおよび金属AMプロセスで検証した。
関連論文リスト
- Leveraging Latent Diffusion Models for Training-Free In-Distribution Data Augmentation for Surface Defect Detection [9.784793380119806]
データ拡張のためのトレーニング不要な拡散型In-Distribution Anomaly GenerationパイプラインであるDIAGを紹介する。
従来の画像生成技術とは異なり、我々は、ドメインの専門家がモデルにマルチモーダルガイダンスを提供する、Human-in-the-loopパイプラインを実装している。
我々は、挑戦的なKSDD2データセットに対する最先端データ拡張アプローチに関して、DIAGの有効性と汎用性を実証する。
論文 参考訳（メタデータ） (2024-07-04T14:28:52Z) - Diffusion-based Image Generation for In-distribution Data Augmentation in Surface Defect Detection [8.93281936150572]
産業シナリオにおいて拡散モデルを用いてデータ拡張の手順を改善することができることを示す。
そこで本研究では,アウト・オブ・ディストリビューションとイン・ディストリビューション・サンプルを混合したデータ拡張手法を提案する。
論文 参考訳（メタデータ） (2024-06-01T17:09:18Z) - MAPL: Memory Augmentation and Pseudo-Labeling for Semi-Supervised Anomaly Detection [0.0]
メモリ拡張(Memory Augmentation)と擬似ラベル(Pseudo-Labeling, MAPL)と呼ばれる, 産業環境における表面欠陥検出のための新しいメソドロジーを導入する。
この手法は、まず異常シミュレーション戦略を導入し、希少または未知の異常型を認識するモデルの能力を著しく改善する。
入力データから直接異常領域を識別するために、MAPLによってエンドツーエンドの学習フレームワークが使用される。
論文 参考訳（メタデータ） (2024-05-10T02:26:35Z) - 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) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Improving the quality of generative models through Smirnov
transformation [1.3492000366723798]
本稿では,ジェネレータの出力として使用される新しいアクティベーション関数を提案する。
これはスミルノフ確率変換に基づいており、生成されたデータの品質を改善するために特別に設計されている。
論文 参考訳（メタデータ） (2021-10-29T17:01:06Z) - IB-GAN: A Unified Approach for Multivariate Time Series Classification
under Class Imbalance [1.854931308524932]
GAN(Generative Adversarial Networks)による非パラメトリックデータ拡張は、有望なソリューションを提供する。
本稿では,データ拡張と分類を1段階のプロセスで結合する新しい手法であるImputation Balanced GAN(IB-GAN)を提案する。
論文 参考訳（メタデータ） (2021-10-14T15:31:16Z) - Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。
本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。
この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。
本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
論文 参考訳（メタデータ） (2021-06-11T01:36:08Z) - Unsupervised Anomaly Detection with Adversarial Mirrored AutoEncoders [51.691585766702744]
本稿では,識別器のミラー化ワッサースタイン損失を利用して,よりセマンティックレベルの再構築を行う逆自動エンコーダの変種を提案する。
我々は,再建基準の代替として,異常スコアの代替尺度を提案した。
提案手法は,OOD検出ベンチマークにおける異常検出の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-03-24T08:26:58Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
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。