論文の概要: MPOFI: Multichannel Partially Observed Functional Modeling for Defect Classification with Imbalanced Dataset via Deep Metric Learning
- arxiv url: http://arxiv.org/abs/2404.03329v1
- Date: Thu, 4 Apr 2024 09:55:11 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-05 15:14:12.782541
- Title: MPOFI: Multichannel Partially Observed Functional Modeling for Defect Classification with Imbalanced Dataset via Deep Metric Learning
- Title（参考訳）: MPOFI: 深いメトリック学習による不均衡データセットによる欠陥分類のための多チャンネル部分的機能モデリング
- Authors: Yukun Xie, Juan Du, Chen Zhang,
- Abstract要約: 現代の製造業では、ほとんどの製品ラインが適合しており、非コンフォーミングであるが欠陥タイプが異なる製品はほとんどない。
欠陥型の同定は、生産ラインのさらなる根本原因診断に役立つ。
不均衡データセットを用いた欠陥分類のための多チャンネル部分観測機能モデリング」として知られる革新的なフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 6.688305507010403
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In modern manufacturing, most of the product lines are conforming. Few products are nonconforming but with different defect types. The identification of defect types can help further root cause diagnosis of production lines. With the sensing development, continuous signals of process variables can be collected in high resolution, which can be regarded as multichannel functional data. They have abundant information to characterize the process and help identify the defect types. Motivated by a real example from the pipe tightening process, we target at detect classification when each sample is a multichannel functional data. However, the available samples for each defect type are limited and imbalanced. Moreover, the functions are partially observed since the pre-tightening process before the pipe tightening process is unobserved. To classify the defect samples based on imbalanced, multichannel, and partially observed functional data is very important but challenging. Thus, we propose an innovative framework known as "Multichannel Partially Observed Functional Modeling for Defect Classification with an Imbalanced Dataset" (MPOFI). The framework leverages the power of deep metric learning in conjunction with a neural network specially crafted for processing functional data. This paper introduces a neural network explicitly tailored for handling multichannel and partially observed functional data, complemented by developing a corresponding loss function for training on imbalanced datasets. The results from a real-world case study demonstrate the superior accuracy of our framework when compared to existing benchmarks.
- Abstract（参考訳）: 現代の製造業では、ほとんどの製品ラインが適合している。
非コンフォーミングな製品はほとんどないが、欠陥タイプが異なる。
欠陥型の同定は、生産ラインのさらなる根本原因診断に役立つ。
センサの開発により、プロセス変数の連続的な信号を高分解能で収集することができ、マルチチャネル機能データと見なすことができる。
プロセスの特徴と欠陥のタイプを特定するのに役立つ、豊富な情報があります。
パイプの締め付けプロセスの実際の例に触発され,各サンプルが多チャンネル機能データである場合に,分類を目標とする。
しかし、各欠陥タイプのサンプルは制限され、不均衡である。
また、パイプの締め付け前の事前密閉工程が観察されないため、機能の一部が観察される。
不均衡、マルチチャネル、そして部分的に観察された機能データに基づいて欠陥サンプルを分類することは非常に重要であるが困難である。
そこで本稿では,MPOFI (Multi channel partial Observed Functional Modeling for Defect Classification with an Im Balanced Dataset) と呼ばれる革新的なフレームワークを提案する。
このフレームワークは、関数データを処理するために特別に作られたニューラルネットワークと組み合わせて、ディープメトリック学習のパワーを活用する。
本稿では,多チャンネルおよび部分的に観測される機能的データを扱うためのニューラルネットワークを提案し,不均衡なデータセットをトレーニングするための対応する損失関数の開発を補完する。
実世界のケーススタディの結果は、既存のベンチマークと比較すると、我々のフレームワークの精度が優れていることを示している。
関連論文リスト
- ITI-IQA: a Toolbox for Heterogeneous Univariate and Multivariate Missing Data Imputation Quality Assessment [0.0]
ITI-IQAは、様々な計算手法の信頼性を評価するために設計されたユーティリティのセットである。
ツールボックスには、測定をチェックするための診断方法とグラフィカルツールのスイートも含まれている。
論文 参考訳（メタデータ） (2024-07-16T14:26:46Z) - Accuracy on the wrong line: On the pitfalls of noisy data for out-of-distribution generalisation [70.36344590967519]
ノイズの多いデータやニュアンスの特徴は,その正確さを損なうのに十分であることを示す。
ノイズの多いデータとノイズのある特徴を持つ合成データセットと実データセットの両方で、この現象を実証する。
論文 参考訳（メタデータ） (2024-06-27T09:57:31Z) - Continual learning for surface defect segmentation by subnetwork
creation and selection [55.2480439325792]
破滅的な忘れを伴わずにセグメンテーションタスクを実行する,新たな連続的(あるいは寿命の長い)学習アルゴリズムを導入する。
この方法は、2つの異なる表面欠陥分割問題に適用され、漸進的に学習される。
当社のアプローチでは,すべてのトレーニングデータ(すべての欠陥)を同時に見る場合,共同トレーニングと同等の結果が得られます。
論文 参考訳（メタデータ） (2023-12-08T15:28:50Z) - Functional data learning using convolutional neural networks [0.0]
本稿では、回帰学習や分類学習において、畳み込みニューラルネットワークがどのように使用できるかを示す。
我々は、畳み込みニューラルネットワークの特定のが典型的なアーキテクチャを使って、すべての回帰演習を行います。
この手法は単純ではあるが精度が高く、将来は工学や医学への応用が期待できる。
論文 参考訳（メタデータ） (2023-10-05T04:46:52Z) - An Order-Invariant and Interpretable Hierarchical Dilated Convolution
Neural Network for Chemical Fault Detection and Diagnosis [7.226239130399725]
畳み込みニューラルネットワーク(CNN)は、化学故障検出および診断タスクにおける多くの成功例を持つ、人気のあるディープラーニングアルゴリズムである。
本稿では,命令不変かつ解釈可能な階層型畳み込みニューラルネットワーク(HDLCNN)を提案する。
提案手法は,特徴量の定量化のためのSHAP値を含むことにより,解釈可能性を提供する。
論文 参考訳（メタデータ） (2023-02-13T10:28:41Z) - Graph Neural Networks with Trainable Adjacency Matrices for Fault
Diagnosis on Multivariate Sensor Data [69.25738064847175]
各センサの信号の挙動を別々に検討し,相互の相関関係と隠れ関係を考慮する必要がある。
グラフノードは、異なるセンサーからのデータとして表現することができ、エッジは、これらのデータの影響を互いに表示することができる。
グラフニューラルネットワークのトレーニング中にグラフを構築する方法が提案されている。これにより、センサー間の依存関係が事前に分かっていないデータ上でモデルをトレーニングすることができる。
論文 参考訳（メタデータ） (2022-10-20T11:03:21Z) - MIRACLE: Causally-Aware Imputation via Learning Missing Data Mechanisms [82.90843777097606]
欠落データに対する因果認識型計算アルゴリズム(MIRACLE)を提案する。
MIRACLEは、欠落発生機構を同時にモデル化することにより、ベースラインの計算を反復的に洗練する。
我々は、MIRACLEが一貫してイミューテーションを改善することができることを示すために、合成および様々な公開データセットに関する広範な実験を行う。
論文 参考訳（メタデータ） (2021-11-04T22:38:18Z) - TL-SDD: A Transfer Learning-Based Method for Surface Defect Detection
with Few Samples [17.884998028369026]
表面欠陥検出のための新しいトランスファーラーニング法TL-SDDを提案する。
我々は、共通の欠陥クラスから稀な欠陥クラスに知識を移すための2段階のトレーニングスキームを採用する。
基準法と比較すると, 稀な欠陥クラスに対して, 提案手法の性能は1.98%向上した。
論文 参考訳（メタデータ） (2021-08-16T07:24:00Z) - Efficient Multidimensional Functional Data Analysis Using Marginal
Product Basis Systems [2.4554686192257424]
多次元関数データのサンプルから連続表現を学習するためのフレームワークを提案する。
本研究では, テンソル分解により, 得られた推定問題を効率的に解けることを示す。
我々は、ニューロイメージングにおける真のデータ応用で締めくくっている。
論文 参考訳（メタデータ） (2021-07-30T16:02:15Z) - Influence Functions in Deep Learning Are Fragile [52.31375893260445]
影響関数は、テスト時間予測におけるサンプルの効果を近似する。
影響評価は浅いネットワークでは かなり正確です
ヘッセン正則化は、高品質な影響推定を得るために重要である。
論文 参考訳（メタデータ） (2020-06-25T18:25:59Z) - Learning What Makes a Difference from Counterfactual Examples and
Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。
我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。
このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2020-04-20T02:47:49Z)
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。