論文の概要: Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing

• arxiv url: http://arxiv.org/abs/2406.04533v1
• Date: Thu, 6 Jun 2024 22:09:43 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-10 17:47:54.420578
• Title: Rare Class Prediction Model for Smart Industry in Semiconductor Manufacturing
• Title（参考訳）: 半導体製造におけるスマート産業のレアクラス予測モデル
• Authors: Abdelrahman Farrag, Mohammed-Khalil Ghali, Yu Jin,
• Abstract要約: 本研究では, 半導体製造プロセスから収集したIn situデータに対して, 希少なクラス予測手法を開発した。 第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。 ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。
• 参考スコア（独自算出の注目度）: 1.3955252961896323
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The evolution of industry has enabled the integration of physical and digital systems, facilitating the collection of extensive data on manufacturing processes. This integration provides a reliable solution for improving process quality and managing equipment health. However, data collected from real manufacturing processes often exhibit challenging properties, such as severe class imbalance, high rates of missing values, and noisy features, which hinder effective machine learning implementation. In this study, a rare class prediction approach is developed for in situ data collected from a smart semiconductor manufacturing process. The primary objective is to build a model that addresses issues of noise and class imbalance, enhancing class separation. The developed approach demonstrated promising results compared to existing literature, which would allow the prediction of new observations that could give insights into future maintenance plans and production quality. The model was evaluated using various performance metrics, with ROC curves showing an AUC of 0.95, a precision of 0.66, and a recall of 0.96
• Abstract（参考訳）: 産業の発展により、物理システムとデジタルシステムの統合が可能になり、製造プロセスに関する広範なデータの収集が容易になった。 この統合は、プロセスの品質を改善し、機器の健康を管理するための信頼性の高いソリューションを提供する。 しかし、実際の製造プロセスから収集されたデータは、厳しいクラス不均衡、欠落した値の高率、ノイズのある特徴などの困難な特性を示すことが多く、機械学習の効果的な実装を妨げている。 本研究では,半導体製造プロセスから収集したIn situデータに対して,希少なクラス予測手法を開発した。 第一の目的は、ノイズとクラス不均衡の問題に対処し、クラス分離を強化するモデルを構築することである。 この手法は既存の文献と比較して有望な結果を示しており、将来のメンテナンス計画と生産品質に関する洞察を与える可能性のある新しい観測の予測を可能にした。 ROC曲線はAUCが0.95、精度が0.66、リコールが0.96である。

関連論文リスト

• Hybrid Gaussian Process Regression with Temporal Feature Extraction for Partially Interpretable Remaining Useful Life Interval Prediction in Aeroengine Prognostics [0.615155791092452]
  本稿では,Remaining Useful Life (RUL) 間隔予測のための改良されたガウスプロセス回帰(GPR)モデルを提案する。 修正されたGPRは、過去のデータから学習することで信頼区間を予測し、より構造化された方法で不確実性モデリングに対処する。 現代の製造システムに固有の複雑な時系列パターンや動的挙動を効果的に捉えている。
  論文  参考訳（メタデータ） (2024-11-19T03:00:02Z)
• Attribute-to-Delete: Machine Unlearning via Datamodel Matching [65.13151619119782]
  機械学習 -- 事前訓練された機械学習モデルで、小さな"ターゲットセット"トレーニングデータを効率的に削除する -- は、最近関心を集めている。 最近の研究では、機械学習技術はこのような困難な環境では耐えられないことが示されている。
  論文  参考訳（メタデータ） (2024-10-30T17:20:10Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• A Hybrid Approach of Transfer Learning and Physics-Informed Modeling: Improving Dissolved Oxygen Concentration Prediction in an Industrial Wastewater Treatment Plant [0.0]
  目的は, 産業排水処理プラントの予測性能を, (i) プロセスの基盤となる物理を捉えたオープンソースのシミュレーションモデル, (ii) ノイズと限られたデータで特徴づけられるが, 同一の精製所にある別の産業プラント, (iii) の知識を伝達することによって向上することである。 その結果,テスト性能は27%,検証性能は59%に向上した。
  論文  参考訳（メタデータ） (2024-01-20T11:53:08Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Towards a Deep Learning-based Online Quality Prediction System for Welding Processes [4.923235962860045]
  溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。 ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。 本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
  論文  参考訳（メタデータ） (2023-10-19T10:35:50Z)
• Stochastic Deep Koopman Model for Quality Propagation Analysis in Multistage Manufacturing Systems [1.178566843877027]
  本研究では、MMSの複雑な振る舞いをモデル化するための深いクープマン(SDK)フレームワークを紹介する。 本稿では,変分オートエンコーダから抽出した臨界品質情報を伝搬するクープマン演算子の新たな応用法を提案する。
  論文  参考訳（メタデータ） (2023-09-18T22:53:17Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• VAE-LIME: Deep Generative Model Based Approach for Local Data-Driven Model Interpretability Applied to the Ironmaking Industry [70.10343492784465]
  モデル予測だけでなく、その解釈可能性も、プロセスエンジニアに公開する必要があります。 LIMEに基づくモデルに依存しない局所的解釈可能性ソリューションが最近出現し、元の手法が改良された。 本稿では, 燃焼炉で生成する高温金属の温度を推定するデータ駆動型モデルの局所的解釈可能性に関する新しいアプローチ, VAE-LIMEを提案する。
  論文  参考訳（メタデータ） (2020-07-15T07:07:07Z)

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。