論文の概要: Observational and Experimental Insights into Machine Learning-Based Defect Classification in Wafers

• arxiv url: http://arxiv.org/abs/2310.10705v4
• Date: Wed, 20 Mar 2024 15:26:55 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-21 22:27:37.278279
• Title: Observational and Experimental Insights into Machine Learning-Based Defect Classification in Wafers
• Title（参考訳）: ウェーハにおける機械学習による欠陥分類の観察と実験的考察
• Authors: Kamal Taha,
• Abstract要約: 本稿では,半導体製造におけるウエハ欠陥の同定に機械学習(ML)分類技術を用いた方法論の総合的なレビューを行う。 提案する方法論の革新的な分類法は、より洗練されたカテゴリと技法にアルゴリズムの詳細な分類を提供する。
• 参考スコア（独自算出の注目度）: 0.8702432681310399
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: This survey paper offers a comprehensive review of methodologies utilizing machine learning (ML) classification techniques for identifying wafer defects in semiconductor manufacturing. Despite the growing body of research demonstrating the effectiveness of ML in wafer defect identification, there is a noticeable absence of comprehensive reviews on this subject. This survey attempts to fill this void by amalgamating available literature and providing an in-depth analysis of the advantages, limitations, and potential applications of various ML classification algorithms in the realm of wafer defect detection. An innovative taxonomy of methodologies that we present provides a detailed classification of algorithms into more refined categories and techniques. This taxonomy follows a three-tier structure, starting from broad methodology categories and ending with specific techniques. It aids researchers in comprehending the complex relationships between different algorithms and their techniques. We employ a rigorous Observational and experimental evaluation to rank these varying techniques. For the Observational evaluation, we assess techniques based on a set of four criteria. The experimental evaluation ranks the algorithms employing the same techniques, sub-categories, and categories. Also the paper illuminates the future prospects of ML classification techniques for wafer defect identification, underscoring potential advancements and opportunities for further research in this field
• Abstract（参考訳）: 本稿では,半導体製造におけるウエハ欠陥の同定に機械学習(ML)分類技術を用いた方法論の総合的なレビューを行う。 ウエハ欠陥同定におけるMLの有効性を実証する研究機関が増えているが、この主題に関する包括的なレビューは明らかにされていない。 この調査は、利用可能な文献を要約し、ウェハ欠陥検出の領域における様々なML分類アルゴリズムの利点、限界、および潜在的な応用の詳細な分析を提供することによって、この空白を埋めようとしている。 提案する方法論の革新的な分類法は、より洗練されたカテゴリと技法にアルゴリズムの詳細な分類を提供する。 この分類法は、幅広い方法論のカテゴリから始まり、特定のテクニックで終わる3層構造に従っている。 異なるアルゴリズムとそれらの技術の間の複雑な関係を理解するのに役立ちます。 我々は、これらの様々なテクニックをランク付けするために、厳密な観察的および実験的評価を採用する。 観測評価では,4つの基準のセットに基づいて評価を行う。 実験的な評価では、アルゴリズムが同じテクニック、サブカテゴリ、カテゴリを用いてランク付けされている。 また, ウェハ欠陥同定のためのML分類技術の将来展望を照らし, さらなる研究の機会と可能性について述べる。

関連論文リスト

• Empirical and Experimental Insights into Data Mining Techniques for Crime Prediction: A Comprehensive Survey [0.8702432681310399]
  本稿では,犯罪データ分析に使用される統計的手法,機械学習アルゴリズム,深層学習技術について述べる。 本稿では,犯罪予測アルゴリズムを特定の手法に分類する手法を提案する。
  論文  参考訳（メタデータ） (2024-02-17T15:00:45Z)
• Empirical and Experimental Perspectives on Big Data in Recommendation Systems: A Comprehensive Survey [2.6319554262325924]
  本稿では,レコメンデーションシステムにおけるビッグデータアルゴリズムの包括的分析について述べる。 それは、現在のアルゴリズムの徹底的な分析と、正確な分類のための新しい階層的な分類法である。
  論文  参考訳（メタデータ） (2024-02-01T23:51:29Z)
• Text Classification: A Review, Empirical, and Experimental Evaluation [2.341806147715478]
  既存の調査論文は、テキスト分類のためのアルゴリズムを幅広いクラスに分類している。 アルゴリズムを階層的にきめ細かなクラスと特定のテクニックに分類する,新しい方法論の分類法を導入する。 本研究は,本手法をテキスト分類アルゴリズムの分類に利用した最初の調査である。
  論文  参考訳（メタデータ） (2024-01-11T08:17:42Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• An Experimental Investigation into the Evaluation of Explainability Methods [60.54170260771932]
  この研究は、9つの最先端XAI法と3つのダミー法(例えば、ランダム・サリエンシ・マップ)に適用された14の異なるメトリクスを比較した。 実験の結果、これらの指標のどれが高い相関関係を示し、潜在的な冗長性を示している。
  論文  参考訳（メタデータ） (2023-05-25T08:07:07Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• A Survey on Text Classification: From Shallow to Deep Learning [83.47804123133719]
  過去10年は、ディープラーニングが前例のない成功を収めたために、この分野の研究が急増している。 本稿では,1961年から2021年までの最先端のアプローチを見直し,そのギャップを埋める。 特徴抽出と分類に使用されるテキストとモデルに基づいて,テキスト分類のための分類を作成する。
  論文  参考訳（メタデータ） (2020-08-02T00:09:03Z)
• Anomalous Example Detection in Deep Learning: A Survey [98.2295889723002]
  本調査は,ディープラーニングアプリケーションにおける異常検出の研究について,構造化された包括的概要を提供する。 既存の技術に対する分類法を,その基礎となる前提と採用アプローチに基づいて提案する。 本稿では,DLシステムに異常検出技術を適用しながら未解決の研究課題を取り上げ,今後の課題について述べる。
  論文  参考訳（メタデータ） (2020-03-16T02:47:23Z)
• Imbalanced classification: a paradigm-based review [21.578692329486643]
  クラス不均衡問題に対処する複数の再サンプリング手法が提案されている。 それぞれのテクニックをいつ使うかについては、一般的なガイダンスはない。 不均衡なクラスサイズ下でのバイナリ分類のための共通再サンプリング手法をパラダイムベースでレビューする。
  論文  参考訳（メタデータ） (2020-02-11T18:34:48Z)

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。