論文の概要: Scalable Concept Extraction in Industry 4.0
- arxiv url: http://arxiv.org/abs/2306.03551v1
- Date: Tue, 6 Jun 2023 09:57:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-07 16:02:18.563442
- Title: Scalable Concept Extraction in Industry 4.0
- Title（参考訳）: 産業におけるスケーラブルな概念抽出 4.0
- Authors: Andr\'es Felipe Posada-Moreno, Kai M\"uller, Florian Brillowski,
Friedrich Solowjow, Thomas Gries, Sebastian Trimpe
- Abstract要約: 本稿では,概念抽出法(CE)の産業シナリオへの適用に取り組む。
畳み込みニューラルネットワーク(CNN)用に設計されたラッパー関数を利用して,概念の重要度を計算する新しい手法を提案する。
我々は,CEが産業的文脈におけるCNNの理解に応用できることを示し,ドメイン知識に関連する有用な洞察を提供する。
- 参考スコア（独自算出の注目度）: 4.9122195223758895
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The industry 4.0 is leveraging digital technologies and machine learning
techniques to connect and optimize manufacturing processes. Central to this
idea is the ability to transform raw data into human understandable knowledge
for reliable data-driven decision-making. Convolutional Neural Networks (CNNs)
have been instrumental in processing image data, yet, their ``black box''
nature complicates the understanding of their prediction process. In this
context, recent advances in the field of eXplainable Artificial Intelligence
(XAI) have proposed the extraction and localization of concepts, or which
visual cues intervene on the prediction process of CNNs. This paper tackles the
application of concept extraction (CE) methods to industry 4.0 scenarios. To
this end, we modify a recently developed technique, ``Extracting Concepts with
Local Aggregated Descriptors'' (ECLAD), improving its scalability.
Specifically, we propose a novel procedure for calculating concept importance,
utilizing a wrapper function designed for CNNs. This process is aimed at
decreasing the number of times each image needs to be evaluated. Subsequently,
we demonstrate the potential of CE methods, by applying them in three
industrial use cases. We selected three representative use cases in the context
of quality control for material design (tailored textiles), manufacturing
(carbon fiber reinforcement), and maintenance (photovoltaic module inspection).
In these examples, CE was able to successfully extract and locate concepts
directly related to each task. This is, the visual cues related to each
concept, coincided with what human experts would use to perform the task
themselves, even when the visual cues were entangled between multiple classes.
Through empirical results, we show that CE can be applied for understanding
CNNs in an industrial context, giving useful insights that can relate to domain
knowledge.
- Abstract（参考訳）: 業界 4.0 は製造プロセスの接続と最適化にデジタル技術と機械学習技術を活用している。
このアイデアの中心は、信頼できるデータ駆動意思決定のために、生データを人間の理解可能な知識に変換する能力である。
畳み込みニューラルネットワーク(CNN)は画像データの処理に役立っているが、その‘ブラックボックス’の性質は予測プロセスの理解を複雑にしている。
この文脈において、eXplainable Artificial Intelligence(XAI)の分野における最近の進歩は、概念の抽出とローカライゼーション、あるいはCNNの予測過程に視覚的手がかりが介在するものである。
本稿では,概念抽出法(CE)の産業シナリオへの適用に取り組む。
そこで我々は,最近開発された手法である「ローカル集約記述子による概念抽出(ECLAD)」を改良し,そのスケーラビリティを向上する。
具体的には,cnn用に設計されたラッパー関数を用いて,概念重要度を計算する新しい手法を提案する。
このプロセスは、各画像の評価に必要な回数を減らすことを目的としている。
次に,3つの産業ユースケースに適用することにより,CE法の可能性を示す。
材料設計, 製造 (炭素繊維補強), メンテナンス (太陽電池モジュール検査) における品質管理の文脈において, 代表的な3つのユースケースを選択した。
これらの例では、CEは各タスクに直接関連する概念を抽出し、見つけ出すことに成功した。
これは、視覚的な手がかりが複数のクラスの間で絡まっていたとしても、人間の専門家がタスク自体を実行するために使用するものと一致する。
実証的な結果から,CEは産業的文脈におけるCNNの理解に応用できることを示し,ドメイン知識に関連する有用な洞察を提供する。
関連論文リスト
- Discover-then-Name: Task-Agnostic Concept Bottlenecks via Automated Concept Discovery [52.498055901649025]
ディープニューラルネットワークの「ブラックボックス」問題に対処するために、概念ボトルネックモデル(CBM)が提案されている。
本稿では,典型的なパラダイムを逆転させる新しいCBMアプローチであるDiscover-then-Name-CBM(DN-CBM)を提案する。
我々の概念抽出戦略は、下流のタスクに非依存であり、既にそのモデルに知られている概念を使用するため、効率的である。
論文 参考訳（メタデータ） (2024-07-19T17:50:11Z) - CoProNN: Concept-based Prototypical Nearest Neighbors for Explaining Vision Models [1.0855602842179624]
ドメインエキスパートが自然言語で直感的にコンピュータビジョンタスクのコンセプトベースの説明を素早く作成できる新しいアプローチを提案する。
CoProNNのモジュラー設計は実装が簡単で、新しいタスクに適応しやすく、分類とテキスト・トゥ・イメージ・モデルを置き換えることができる。
我々の戦略は、粗粒度画像分類タスクにおける他の概念ベースのXAIアプローチと非常によく競合し、さらに細粒度細粒度タスクにおいてそれらの手法よりも優れることを示した。
論文 参考訳（メタデータ） (2024-04-23T08:32:38Z) - Neural Clustering based Visual Representation Learning [61.72646814537163]
クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。
本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。
FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
論文 参考訳（メタデータ） (2024-03-26T06:04:50Z) - A Semantic Approach for Big Data Exploration in Industry 4.0 [0.05524804393257919]
本稿では,ドメインの専門家によるデータ探索と視覚化が可能なセマンティックなビジュアルクエリシステムを提案する。
システムの主な特徴は、最初にセマンティックアノテートされたデータと、セマンティック記述と結びついているマシンの2Dカスタマイズされたデジタル表現を組み合わせた使い方である。
論文 参考訳（メタデータ） (2024-01-18T08:20:19Z) - CAManim: Animating end-to-end network activation maps [0.2509487459755192]
本稿では,CNN予測に対するエンドユーザの理解の拡大と集中を目的とした,CAManimという新しいXAI可視化手法を提案する。
また,Remove and Debias(ROAD)尺度に基づいて,新たな定量的評価法を提案する。
これは、解釈可能で堅牢で透明なモデルアセスメント方法論に対する需要の増加に対応するために、先行研究に基づいている。
論文 参考訳（メタデータ） (2023-12-19T01:07:36Z) - Generalized Label-Efficient 3D Scene Parsing via Hierarchical Feature
Aligned Pre-Training and Region-Aware Fine-tuning [55.517000360348725]
本研究は,ラベル付きシーンが極めて限定された場合の3次元シーン理解のためのフレームワークを提案する。
事前学習された視覚言語モデルから新しいカテゴリーの知識を抽出するために,階層的特徴整合型事前学習と知識蒸留戦略を提案する。
室内と屋外の両方で実験を行ったところ、データ効率のよい学習とオープンワールドの複数ショット学習の両方において、我々のアプローチの有効性が示された。
論文 参考訳（メタデータ） (2023-12-01T15:47:04Z) - Scale-Preserving Automatic Concept Extraction (SPACE) [5.270054840298395]
我々は,CNNの最先端の代替概念抽出手法として,SPACE(Scale-Preserving Automatic Concept extract)アルゴリズムを導入する。
提案手法は,人間の理解可能な概念の形で,モデルの意思決定過程を説明する。
論文 参考訳（メタデータ） (2023-08-11T08:54:45Z) - What and How of Machine Learning Transparency: Building Bespoke
Explainability Tools with Interoperable Algorithmic Components [77.87794937143511]
本稿では,データ駆動予測モデルを説明するためのハンズオントレーニング教材について紹介する。
これらのリソースは、解釈可能な表現合成、データサンプリング、説明生成の3つのコアビルディングブロックをカバーする。
論文 参考訳（メタデータ） (2022-09-08T13:33:25Z) - ECLAD: Extracting Concepts with Local Aggregated Descriptors [6.470466745237234]
そこで本研究では,CNNアクティベーションマップの画素ワイドアグリゲーションから得られた表現に基づいて,概念の自動抽出とローカライズを行う手法を提案する。
本稿では,主成分の画素単位のアノテーションを用いた合成データセットに基づく概念抽出手法の検証手法を提案する。
論文 参考訳（メタデータ） (2022-06-09T14:25:23Z) - A Competence-aware Curriculum for Visual Concepts Learning via Question
Answering [95.35905804211698]
本稿では,視覚概念学習のための質問応答型カリキュラムを提案する。
視覚概念を学習するためのニューラルシンボリックな概念学習者と学習プロセスを導くための多次元項目応答理論(mIRT)モデルを設計する。
CLEVRの実験結果から,コンピテンスを意識したカリキュラムにより,提案手法は最先端のパフォーマンスを実現することが示された。
論文 参考訳（メタデータ） (2020-07-03T05:08:09Z) - Common Sense or World Knowledge? Investigating Adapter-Based Knowledge
Injection into Pretrained Transformers [54.417299589288184]
本研究では,概念ネットとそれに対応するオープンマインド・コモンセンス(OMCS)コーパスから,BERTの分布知識と概念知識を補完するモデルについて検討する。
我々のアダプタベースのモデルは,ConceptNet や OMCS に明示的に存在する概念的知識のタイプを必要とする推論タスクにおいて,BERT を大幅に上回っている。
論文 参考訳（メタデータ） (2020-05-24T15:49:57Z)
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。