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

• Multi-Stage Knowledge Integration of Vision-Language Models for Continual Learning [79.46570165281084]
  蒸留法における人間の学習過程をエミュレートするマルチステージ知識統合ネットワーク(MulKI)を提案する。 Mulkiは、イデオロギーの排除、新しいイデオロギーの追加、イデオロギーの排除、コネクティクスの作りという4つの段階を通じてこれを達成している。 提案手法は,下流タスク間の連続学習をサポートしながら,ゼロショット能力の維持における大幅な改善を示す。
  論文  参考訳（メタデータ） (2024-11-11T07:36:19Z)
• CrowdTransfer: Enabling Crowd Knowledge Transfer in AIoT Community [12.002871068635748]
  Crowd Knowledge Transfer(CrowdTransfer)は、エージェントの集団から学んだ事前知識を移行して、トレーニングコストを削減することを目的としている。 集団知性の観点からは, 導出, 共有, 進化, 融合モードの4つの伝達モードを提示する。 人間の活動認識、都市コンピューティング、マルチロボットシステム、スマートファクトリなど、AIoT分野のいくつかの応用について検討する。
  論文  参考訳（メタデータ） (2024-07-09T01:20:37Z)
• Learning Modality Knowledge Alignment for Cross-Modality Transfer [9.19049344360835]
  クロスモダリティ転送は、事前訓練されたデータのモダリティに属さないかもしれないタスクを完了するために、大きな事前訓練されたモデルを活用することを目的としている。 既存の研究は古典的な微調整をクロスモーダルなシナリオに拡張することに成功したが、移行に対するモダリティギャップの影響についてはまだ理解されていない。 移動前のモダリティ知識の相違を低減するために、ターゲットデータ変換を学習するメタラーニング手法であるModality kNowledge Alignment(MoNA)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T03:23:47Z)
• Knowledge Transfer for Cross-Domain Reinforcement Learning: A Systematic Review [2.94944680995069]
  強化学習(RL)は、複雑な意思決定問題を解決するために、試行錯誤を通じてエージェントを訓練できるフレームワークを提供する。 異なるタスクから知識を再利用することにより、知識伝達手法はRLのトレーニング時間を短縮する代替手段を提供する。 本稿では,異なる領域間で知識を伝達することに焦点を当てた手法の統一分析を行う。
  論文  参考訳（メタデータ） (2024-04-26T20:36:58Z)
• 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。 我々は,非構造化知識表現からの事前の取り込みを容易にする,情報メタラーニングというハイブリッドパラダイムを定式化する。 データ効率、観測ノイズに対する堅牢性、タスク分散シフトを改善する上で、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)
• 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)

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。