論文の概要: Machine Learning to Estimate Gross Loss of Jewelry for Wax Patterns

• arxiv url: http://arxiv.org/abs/2301.02872v1
• Date: Sat, 7 Jan 2023 15:09:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 17:26:40.350646
• Title: Machine Learning to Estimate Gross Loss of Jewelry for Wax Patterns
• Title（参考訳）: ワックスパターンに対するジュエリーの損失推定のための機械学習
• Authors: Mihir Jain, Kashish Jain and Sandip Mane
• Abstract要約: 総損失は製造前に推定され、複数の同一の宝石を製造するために鋳造されるパターンのワックス重量を計算する。 筆者らは, 宝石業界で機械学習を用いて, この重要なGross Lossを推定する方法を発見した。
• 参考スコア（独自算出の注目度）: 3.123682649279259
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In mass manufacturing of jewellery, the gross loss is estimated before manufacturing to calculate the wax weight of the pattern that would be investment casted to make multiple identical pieces of jewellery. Machine learning is a technology that is a part of AI which helps create a model with decision-making capabilities based on a large set of user-defined data. In this paper, the authors found a way to use Machine Learning in the jewellery industry to estimate this crucial Gross Loss. Choosing a small data set of manufactured rings and via regression analysis, it was found out that there is a potential of reducing the error in estimation from +-2-3 to +-0.5 using ML Algorithms from historic data and attributes collected from the CAD file during the design phase itself. To evaluate the approach's viability, additional study must be undertaken with a larger data set.
• Abstract（参考訳）: 宝石の大量製造においては、製造前に総損失を推定し、複数の同一の宝石を製造するために鋳造される投資パターンのワックス重量を算出する。 機械学習はAIの一部である技術であり、ユーザー定義データの大規模なセットに基づいて意思決定能力を持つモデルを作成するのに役立つ。 筆者らは, 宝石業界で機械学習を用いて, この重要なGross Lossを推定する方法を発見した。 製造されたリングの小さなデータセットを選択し, 回帰分析により, 設計段階でCADファイルから収集した履歴データと属性からMLアルゴリズムを用いて, 推定誤差を +-2-3 から +-0.5 に減少させる可能性があることがわかった。 アプローチの生存可能性を評価するには、より大きなデータセットでさらなる研究を行う必要がある。

関連論文リスト

• RESTOR: Knowledge Recovery through Machine Unlearning [71.75834077528305]
  Webスケールコーパスでトレーニングされた大規模な言語モデルは、望ましくないデータポイントを記憶することができる。 訓練されたモデルからこれらのデータポイントを「消去」することを目的とした、多くの機械学習手法が提案されている。 以下に示す次元に基づいて,機械学習のためのRESTORフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-31T20:54:35Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• How to unlearn a learned Machine Learning model ? [0.0]
  機械学習モデルを学習し、その能力を視覚化するためのエレガントなアルゴリズムを提示します。 基礎となる数学的理論を解明し、所望のデータに対する未学習モデルの性能と望ましくないデータに対する無知の両方を評価するための具体的な指標を確立する。
  論文  参考訳（メタデータ） (2024-10-13T17:38:09Z)
• 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)
• Loss-Free Machine Unlearning [51.34904967046097]
  我々は、再学習とラベルなしの両方の機械学習アプローチを提案する。 Retraining-freeアプローチは、損失から派生したFisher情報を利用することが多く、利用できないラベル付きデータを必要とする。 本稿では,モデル出力のl2ノルムの勾配に対して,フィッシャー情報行列の対角線を近似感度に置き換えるSelective Synaptic Dampeningアルゴリズムの拡張を提案する。
  論文  参考訳（メタデータ） (2024-02-29T16:15:34Z)
• Parcel loss prediction in last-mile delivery: deep and non-deep approaches with insights from Explainable AI [1.104960878651584]
  本稿では,DBSLを用いたデータバランスとDHEL(Deep Hybrid Ensemble Learning)の2つの機械学習手法を提案する。 このような予測の実際的な意味は、保険関連意思決定ポリシーの最適化において、eコマース小売業者を支援することの価値である。
  論文  参考訳（メタデータ） (2023-10-25T12:46:34Z)
• Machine Unlearning for Causal Inference [0.6621714555125157]
  モデルが与えられたユーザに関する情報(マシンアンラーニング)の学習/取得の一部を忘れることが重要である。 本稿では、因果推論のための機械学習の概念、特に確率スコアマッチングと治療効果推定について紹介する。 この研究で使用されるデータセットは、ジョブトレーニングプログラムの有効性を評価するために広く使用されているデータセットであるLalondeデータセットである。
  論文  参考訳（メタデータ） (2023-08-24T17:27:01Z)
• SSSE: Efficiently Erasing Samples from Trained Machine Learning Models [103.43466657962242]
  サンプル消去のための効率的かつ効率的なアルゴリズムSSSEを提案する。 ある場合、SSSEは、許可されたデータだけで新しいモデルをスクラッチからトレーニングする最適な、しかし実用的でない金の標準と同様に、サンプルをほぼ消去することができる。
  論文  参考訳（メタデータ） (2021-07-08T14:17:24Z)
• Automated Agriculture Commodity Price Prediction System with Machine Learning Techniques [0.8998318101090188]
  農業商品価格を予測するためのWebベースの自動システムを提案する。 最も最適なアルゴリズムである平均0.304の平均二乗誤差を持つLSTMモデルを予測エンジンとして選択した。
  論文  参考訳（メタデータ） (2021-06-24T03:10:25Z)
• A Survey on Large-scale Machine Learning [67.6997613600942]
  機械学習はデータに対する深い洞察を与え、マシンが高品質な予測を行うことを可能にする。 ほとんどの高度な機械学習アプローチは、大規模なデータを扱う場合の膨大な時間コストに悩まされる。 大規模機械学習は、ビッグデータからパターンを、同等のパフォーマンスで効率的に学習することを目的としている。
  論文  参考訳（メタデータ） (2020-08-10T06:07:52Z)

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。