論文の概要: Transferability analysis of data-driven additive manufacturing
knowledge: a case study between powder bed fusion and directed energy
deposition
- arxiv url: http://arxiv.org/abs/2309.06286v1
- Date: Tue, 12 Sep 2023 14:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-13 12:32:23.504837
- Title: Transferability analysis of data-driven additive manufacturing
knowledge: a case study between powder bed fusion and directed energy
deposition
- Title(参考訳): データ駆動付加物製造知識の伝達性分析:粉体層融合と有向エネルギー沈着を事例として
- Authors: Mutahar Safdar, Jiarui Xie, Hyunwoong Ko, Yan Lu, Guy Lamouche, Yaoyao
Fiona Zhao
- Abstract要約: 本稿では,データ駆動型知識伝達を支援するために,付加生産(AM)における3段階の知識伝達可能性分析フレームワークを提案する。
レーザー粉体融合(LPBF)は、指向性エネルギー沈着(DED)にAIを適用する際の相対的成熟度によって動機付けられた知識の源である
データ表現やモデルアーキテクチャ,モデルパラメータなど,データ駆動型ソリューションのさまざまなレベルでの転送が成功していることを示す。
- 参考スコア(独自算出の注目度): 10.905886062301224
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Data-driven research in Additive Manufacturing (AM) has gained significant
success in recent years. This has led to a plethora of scientific literature to
emerge. The knowledge in these works consists of AM and Artificial Intelligence
(AI) contexts that have not been mined and formalized in an integrated way.
Moreover, no tools or guidelines exist to support data-driven knowledge
transfer from one context to another. As a result, data-driven solutions using
specific AI techniques are being developed and validated only for specific AM
process technologies. There is a potential to exploit the inherent similarities
across various AM technologies and adapt the existing solutions from one
process or problem to another using AI, such as Transfer Learning. We propose a
three-step knowledge transferability analysis framework in AM to support
data-driven AM knowledge transfer. As a prerequisite to transferability
analysis, AM knowledge is featurized into identified knowledge components. The
framework consists of pre-transfer, transfer, and post-transfer steps to
accomplish knowledge transfer. A case study is conducted between flagship metal
AM processes. Laser Powder Bed Fusion (LPBF) is the source of knowledge
motivated by its relative matureness in applying AI over Directed Energy
Deposition (DED), which drives the need for knowledge transfer as the less
explored target process. We show successful transfer at different levels of the
data-driven solution, including data representation, model architecture, and
model parameters. The pipeline of AM knowledge transfer can be automated in the
future to allow efficient cross-context or cross-process knowledge exchange.
- Abstract(参考訳): 添加物製造(am)におけるデータ駆動研究は近年大きな成功を収めている。
この結果、多くの科学文献が出現した。
これらの研究の知識は、採掘されていないAMとAI(AI)のコンテキストから成り、統合された方法で形式化されている。
さらに、あるコンテキストから別のコンテキストへのデータ駆動知識転送をサポートするツールやガイドラインは存在しない。
その結果、特定のAI技術を用いたデータ駆動ソリューションが開発され、特定のAMプロセス技術に対してのみ検証されている。
さまざまなAM技術にまたがる固有の類似性を利用して、Transfer LearningのようなAIを使用して、あるプロセスや問題から既存のソリューションを別のプロセスに適応する可能性がある。
データ駆動型AM知識伝達を支援するために,AMにおける3段階の知識伝達可能性解析フレームワークを提案する。
伝達可能性分析の前提条件として、am知識は特定された知識要素に実現される。
このフレームワークは、知識転送を達成するための事前転送、転送、および後転送ステップで構成されている。
フラッグシップメタルamプロセス間のケーススタディが実施された。
レーザー粉体融合(英: Laser Powder Bed Fusion, LPBF)は、AIをDED(Directed Energy Deposition)に置き換える際の相対的な成熟度によって動機付けられた知識の源泉である。
データ表現やモデルアーキテクチャ,モデルパラメータなど,データ駆動ソリューションのさまざまなレベルでの転送が成功しています。
AM知識伝達のパイプラインは将来的に自動化され、効率的なクロスコンテキストやプロセス間の知識交換が可能になる。
関連論文リスト
- A Survey of IMU Based Cross-Modal Transfer Learning in Human Activity Recognition [0.9208007322096532]
本研究では,HAR(Human Activity/Action Recognition)のためのモダリティ間の知識の伝達と活用について検討する。
我々は、IMUデータの重要性と可能性、およびモダリティ横断学習への適用性を動機づける。
クロスモーダルHARにおける今後の研究の方向性と応用について論じる。
論文 参考訳(メタデータ) (2024-03-17T22:31:14Z) - Informed Meta-Learning [55.2480439325792]
メタラーニングとインシデントMLは、事前知識をMLパイプラインに組み込むための2つのアプローチとして際立っている。
本稿では,タスク間の知識共有の相補性を求める,メタラーニングのための新しいハイブリッドパラダイムを提案する。
観測騒音に対するデータ効率とロバスト性を改善する上で,情報メタラーニングの潜在的な利点を実証する。
論文 参考訳(メタデータ) (2024-02-25T15:08:37Z) - Pathway toward prior knowledge-integrated machine learning in
engineering [1.3091722164946331]
本研究は,複数の専門分野の専門職を機械で認識可能なデータ駆動プロセスに統合する取り組みを強調する。
このアプローチは、エンジニアリング領域におけるホリストと還元主義の視点のバランスを取る。
論文 参考訳(メタデータ) (2023-07-10T13:06:55Z) - Propagating Knowledge Updates to LMs Through Distillation [97.3628651636153]
文脈に基づくアプローチは、エンティティに関する知識を付与し、その知識を広めてより広範な推論を可能にすることができることを示す。
実験により,本手法は,微調整や他の勾配に基づく知識編集手法よりも,知識更新の伝播に有効であることが実証された。
論文 参考訳(メタデータ) (2023-06-15T17:39:50Z) - Graph Enabled Cross-Domain Knowledge Transfer [1.52292571922932]
クロスドメイン・ナレッジ・トランスファー(クロスドメイン・ナレッジ・トランスファー)は、優れた表現学習と関心領域における知識不足のギャップを軽減するためのアプローチである。
機械学習の観点からは、半教師付き学習のパラダイムは、基礎的な真実なしに大量のデータを活用し、目覚ましい学習性能向上を実現する。
論文 参考訳(メタデータ) (2023-04-07T03:02:10Z) - 2021 BEETL Competition: Advancing Transfer Learning for Subject
Independence & Heterogenous EEG Data Sets [89.84774119537087]
我々は、診断とBCI(Brain-Computer-Interface)に関する2つの伝達学習課題を設計する。
第1タスクは、患者全体にわたる自動睡眠ステージアノテーションに対処する医療診断に重点を置いている。
タスク2はBrain-Computer Interface (BCI)に集中しており、被験者とデータセットの両方にわたる運動画像のデコードに対処する。
論文 参考訳(メタデータ) (2022-02-14T12:12:20Z) - Kformer: Knowledge Injection in Transformer Feed-Forward Layers [107.71576133833148]
そこで我々は,Transformerのフィードフォワード層を通じて外部知識を組み込んだ新しい知識融合モデルKformerを提案する。
FFNに単に知識を注入するだけで、事前学習された言語モデルの能力が向上し、現在の知識融合法が促進されることを実証的に見出した。
論文 参考訳(メタデータ) (2022-01-15T03:00:27Z) - KAT: A Knowledge Augmented Transformer for Vision-and-Language [56.716531169609915]
我々は、OK-VQAのオープンドメインマルチモーダルタスクにおいて、最先端の強力な結果をもたらす新しいモデルである知識拡張トランスフォーマー(KAT)を提案する。
提案手法は,エンド・ツー・エンドのエンコーダ・デコーダアーキテクチャにおいて暗黙的かつ明示的な知識を統合しつつ,回答生成時に両知識源を共同で推論する。
我々の分析では、モデル予測の解釈可能性の向上に、明示的な知識統合のさらなる利点が見られる。
論文 参考訳(メタデータ) (2021-12-16T04:37:10Z) - Knowledge-Aware Procedural Text Understanding with Multi-Stage Training [110.93934567725826]
本稿では,このような文書の理解とプロセス中のエンティティの状態や場所の追跡を目的とした手続き的テキスト理解の課題に焦点をあてる。
常識的推論の難しさとデータ不足という2つの課題はまだ未解決のままである。
我々は、複数の外部知識を効果的に活用する、KnOwledge-Aware ProceduraL text understAnding (KOALA)モデルを提案する。
論文 参考訳(メタデータ) (2020-09-28T10:28:40Z)
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。