論文の概要: A Data Driven Sequential Learning Framework to Accelerate and Optimize
Multi-Objective Manufacturing Decisions
- arxiv url: http://arxiv.org/abs/2304.09278v1
- Date: Tue, 18 Apr 2023 20:33:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-20 16:15:54.014143
- Title: A Data Driven Sequential Learning Framework to Accelerate and Optimize
Multi-Objective Manufacturing Decisions
- Title(参考訳): 多目的生産意思決定を加速・最適化するデータ駆動逐次学習フレームワーク
- Authors: Hamed Khosravi, Taofeeq Olajire, Ahmed Shoyeb Raihan, Imtiaz Ahmed
- Abstract要約: 本稿では、逐次学習を利用して複雑なシステムを効率的に最適化する新しいデータ駆動型ベイズ最適化フレームワークを提案する。
提案フレームワークは,データ取得が高価で資源集約的な実用アプリケーションにおいて特に有用である。
提案されたデータ駆動フレームワークは、コストと時間を削減して、同様の製造上の決定を下す可能性がある。
- 参考スコア(独自算出の注目度): 1.5771347525430772
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Manufacturing advanced materials and products with a specific property or
combination of properties is often warranted. To achieve that it is crucial to
find out the optimum recipe or processing conditions that can generate the
ideal combination of these properties. Most of the time, a sufficient number of
experiments are needed to generate a Pareto front. However, manufacturing
experiments are usually costly and even conducting a single experiment can be a
time-consuming process. So, it's critical to determine the optimal location for
data collection to gain the most comprehensive understanding of the process.
Sequential learning is a promising approach to actively learn from the ongoing
experiments, iteratively update the underlying optimization routine, and adapt
the data collection process on the go. This paper presents a novel data-driven
Bayesian optimization framework that utilizes sequential learning to
efficiently optimize complex systems with multiple conflicting objectives.
Additionally, this paper proposes a novel metric for evaluating multi-objective
data-driven optimization approaches. This metric considers both the quality of
the Pareto front and the amount of data used to generate it. The proposed
framework is particularly beneficial in practical applications where acquiring
data can be expensive and resource intensive. To demonstrate the effectiveness
of the proposed algorithm and metric, the algorithm is evaluated on a
manufacturing dataset. The results indicate that the proposed algorithm can
achieve the actual Pareto front while processing significantly less data. It
implies that the proposed data-driven framework can lead to similar
manufacturing decisions with reduced costs and time.
- Abstract(参考訳): 特定の特性や組み合わせを持つ高度な材料や製品の製造は、しばしば保証される。
これらの特性の理想的な組み合わせを生成できる最適なレシピや処理条件を見つけることが重要である。
多くの場合、パレートフロントを生成するには十分な数の実験が必要である。
しかし、製造実験は通常コストがかかり、単一の実験を実行することさえ時間がかかります。
したがって、プロセスに関する最も包括的な理解を得るために、データ収集の最適な場所を決定することが重要です。
逐次学習は、進行中の実験から積極的に学び、根底にある最適化ルーチンを反復的に更新し、データ収集プロセスに適応するための有望なアプローチである。
本稿では,複数の相反する目的を持つ複雑なシステムを効率的に最適化するために逐次学習を利用する新しいデータ駆動ベイズ最適化フレームワークを提案する。
さらに,多目的データ駆動最適化手法の評価のための新しい指標を提案する。
このメトリクスは、Paretoフロントの品質と、それを生成するために使用されるデータの量の両方を考慮する。
提案フレームワークは,データ取得が高価で資源集約的な実用アプリケーションにおいて特に有用である。
提案手法の有効性を示すため,本アルゴリズムを製造データセット上で評価した。
その結果,提案アルゴリズムは実際のparetoフロントを達成でき,データ処理量は大幅に削減できることがわかった。
提案されたデータ駆動フレームワークは、コストと時間を削減しながら、同様の製造判断につながる可能性がある。
関連論文リスト
- Unifying and Optimizing Data Values for Selection via Sequential-Decision-Making [5.755427480127593]
本研究では,選択に適用されるデータ値を逐次決定問題として再定義可能であることを示す。
本稿では,学習された二部グラフを代理ユーティリティモデルとして用いた効率的な近似手法を提案する。
論文 参考訳(メタデータ) (2025-02-06T23:03:10Z) - A CLIP-Powered Framework for Robust and Generalizable Data Selection [51.46695086779598]
実世界のデータセットは、しばしば冗長でノイズの多いデータを含み、トレーニング効率とモデルパフォーマンスに悪影響を及ぼす。
データ選択は、データセット全体から最も代表的なサンプルを特定することを約束している。
より堅牢で一般化可能なサンプル選択にマルチモーダル情報を活用するCLIPを利用した新しいデータ選択フレームワークを提案する。
論文 参考訳(メタデータ) (2024-10-15T03:00:58Z) - An incremental preference elicitation-based approach to learning potentially non-monotonic preferences in multi-criteria sorting [53.36437745983783]
まず最適化モデルを構築し,非単調な選好をモデル化する。
本稿では,情報量測定手法と質問選択戦略を考案し,各イテレーションにおいて最も情報に富む選択肢を特定する。
2つのインクリメンタルな選好に基づくアルゴリズムは、潜在的に単調な選好を学習するために開発された。
論文 参考訳(メタデータ) (2024-09-04T14:36:20Z) - Functional Graphical Models: Structure Enables Offline Data-Driven Optimization [111.28605744661638]
構造がサンプル効率のよいデータ駆動最適化を実現する方法を示す。
また、FGM構造自体を推定するデータ駆動最適化アルゴリズムを提案する。
論文 参考訳(メタデータ) (2024-01-08T22:33:14Z) - Enhancing Multi-Objective Optimization through Machine Learning-Supported Multiphysics Simulation [1.6685829157403116]
本稿では,訓練,自己最適化,自己組織的代理モデルのための方法論的枠組みを提案する。
シュロゲートモデルを比較的少量のデータで訓練し、基礎となるシミュレーションを正確に近似できることを示す。
論文 参考訳(メタデータ) (2023-09-22T20:52:50Z) - Improved Distribution Matching for Dataset Condensation [91.55972945798531]
本稿では,分布マッチングに基づく新しいデータセット凝縮法を提案する。
提案手法は,計算資源の少ない従来の最適化指向手法よりも優れている。
論文 参考訳(メタデータ) (2023-07-19T04:07:33Z) - HyperImpute: Generalized Iterative Imputation with Automatic Model
Selection [77.86861638371926]
カラムワイズモデルを適応的かつ自動的に構成するための一般化反復計算フレームワークを提案する。
既製の学習者,シミュレータ,インターフェースを備えた具体的な実装を提供する。
論文 参考訳(メタデータ) (2022-06-15T19:10:35Z) - Batched Data-Driven Evolutionary Multi-Objective Optimization Based on
Manifold Interpolation [6.560512252982714]
バッチ化されたデータ駆動型進化的多目的最適化を実現するためのフレームワークを提案する。
オフザシェルフ進化的多目的最適化アルゴリズムがプラグイン方式で適用できるのは、非常に一般的である。
提案するフレームワークは, より高速な収束と各種PF形状に対する強いレジリエンスを特徴とする。
論文 参考訳(メタデータ) (2021-09-12T23:54:26Z) - Differentially Private Query Release Through Adaptive Projection [19.449593001368193]
我々は,$k$-way マージンのような膨大な統計クエリに対する回答を解放するための新しいアルゴリズムを提案し,実装し,評価する。
我々のアルゴリズムは、単純な摂動を用いて、プライベートデータセット上のクエリに応答するプロジェクションメカニズムの連続緩和を適応的に利用する。
特に,プライバシ予算が小さい場合や,クエリクラスが大きい場合など,既存のアルゴリズムよりも優れていることが判明した。
論文 参考訳(メタデータ) (2021-03-11T12:43:18Z) - Decomposition and Adaptive Sampling for Data-Driven Inverse Linear
Optimization [12.610576072466895]
この研究は、線形プログラムの未知のコストベクトルを推論することが目的である逆線形最適化に対処する。
本稿では,既存の手法と比較して,制約の少ない,一般的に許容可能なコスト見積の集合の回復を可能にする,新たな問題の定式化を導入する。
論文 参考訳(メタデータ) (2020-09-16T22:25:31Z) - AutoSimulate: (Quickly) Learning Synthetic Data Generation [70.82315853981838]
目的の新たな微分可能近似に基づく最適な合成データ生成法を提案する。
提案手法は,学習データ生成の高速化(最大50Times$)と,実世界のテストデータセットの精度向上(+8.7%$)を実現している。
論文 参考訳(メタデータ) (2020-08-16T11:36:11Z)
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。