論文の概要: Utilizing the Mean Teacher with Supcontrast Loss for Wafer Pattern Recognition
- arxiv url: http://arxiv.org/abs/2411.18533v1
- Date: Wed, 27 Nov 2024 17:24:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:26:19.897337
- Title: Utilizing the Mean Teacher with Supcontrast Loss for Wafer Pattern Recognition
- Title（参考訳）: ウエイハパターン認識におけるSupcontrast Lossを用いた平均教師の活用
- Authors: Qiyu Wei, Xun Xu, Zeng Zeng, Xulei Yang,
- Abstract要約: 我々は、平均教師フレームワークと教師付きコントラスト学習損失を統合した革新的なアプローチを導入し、ウェハマップパターン認識を強化した。
精度,精度,リコール,F1得点の5.46%,6.68%,5.42%,4.53%の改善が得られた。
- 参考スコア（独自算出の注目度）: 10.614309313802002
- License:
- Abstract: The patterns on wafer maps play a crucial role in helping engineers identify the causes of production issues during semiconductor manufacturing. In order to reduce costs and improve accuracy, automation technology is essential, and recent developments in deep learning have led to impressive results in wafer map pattern recognition. In this context, inspired by the effectiveness of semi-supervised learning and contrastive learning methods, we introduce an innovative approach that integrates the Mean Teacher framework with the supervised contrastive learning loss for enhanced wafer map pattern recognition. Our methodology not only addresses the nuances of wafer patterns but also tackles challenges arising from limited labeled data. To further refine the process, we address data imbalance in the wafer dataset by employing SMOTE and under-sampling techniques. We conduct a comprehensive analysis of our proposed method and demonstrate its effectiveness through experiments using real-world dataset WM811K obtained from semiconductor manufacturers. Compared to the baseline method, our method has achieved 5.46%, 6.68%, 5.42%, and 4.53% improvements in Accuracy, Precision, Recall, and F1 score, respectively.
- Abstract（参考訳）: ウェハマップ上のパターンは、半導体製造における製造問題の原因を特定するのに重要な役割を担っている。
コスト削減と精度向上のためには,自動化技術が不可欠であり,近年のディープラーニングの発展により,ウェハマップのパターン認識における顕著な成果が得られた。
この文脈では、半教師付き学習とコントラスト学習法の効果に触発されて、平均教師フレームワークと教師付きコントラスト学習損失を統合した革新的なアプローチを導入し、ウェハマップパターン認識を強化した。
我々の手法は、ウェーハパターンのニュアンスに対処するだけでなく、ラベル付き限られたデータから生じる課題にも対処する。
さらに,SMOTEとアンダーサンプリング技術を用いて,ウェハデータセットにおけるデータ不均衡に対処する。
提案手法の包括的解析を行い,半導体製造者から得られた実世界のデータセットWM811Kを用いて実験を行い,その有効性を実証する。
基準法と比較して,本手法は精度,精度,リコール,F1得点の5.46%,6.68%,5.42%,4.53%の改善を達成している。
関連論文リスト
- Incremental Self-training for Semi-supervised Learning [56.57057576885672]
ISTは単純だが有効であり、既存の自己学習に基づく半教師あり学習手法に適合する。
提案したISTを5つのデータセットと2種類のバックボーンで検証し,認識精度と学習速度を効果的に向上させる。
論文 参考訳（メタデータ） (2024-04-14T05:02:00Z) - AST: Effective Dataset Distillation through Alignment with Smooth and
High-Quality Expert Trajectories [18.266786462036553]
我々は,Smoothと高品質なエキスパートトラジェクトリによるアライメントのための効果的なDDフレームワークASTを提案する。
さまざまなスケール、サイズ、解像度のデータセットに対して、広範な実験を行います。
論文 参考訳（メタデータ） (2023-10-16T16:13:53Z) - Wafer Map Defect Patterns Semi-Supervised Classification Using Latent
Vector Representation [8.400553138721044]
集積回路製造段階における欠陥検出の需要はますます重要になりつつある。
従来のウェハマップ欠陥パターン検出法は、電子顕微鏡を用いた手動検査を含む。
手動操作の代わりに欠陥を自動的に検出できるモデルを提案する。
論文 参考訳（メタデータ） (2023-10-06T08:23:36Z) - Uncovering Drift in Textual Data: An Unsupervised Method for Detecting
and Mitigating Drift in Machine Learning Models [9.035254826664273]
機械学習におけるドリフト(drift)とは、モデルが動作しているデータやコンテキストの統計的性質が時間とともに変化し、性能が低下する現象を指す。
提案手法では, 目標分布として生産データのサンプルを符号化し, モデルトレーニングデータを基準分布として符号化する。
また,ドリフトの根本原因である生産データのサブセットも同定する。
これらの高ドリフトサンプルを用いて再トレーニングしたモデルでは、オンライン顧客エクスペリエンスの品質指標のパフォーマンスが改善された。
論文 参考訳（メタデータ） (2023-09-07T16:45:42Z) - A Semi-Supervised Learning Approach for Ranging Error Mitigation Based
on UWB Waveform [29.827191184889898]
UWBレンジ誤差軽減のための変分ベイズに基づく半教師付き学習手法を提案する。
本手法はラベル付きデータとラベルなしデータの両方からの知識を効率的に蓄積することができる。
論文 参考訳（メタデータ） (2023-05-23T10:08:42Z) - Efficient Deep Reinforcement Learning Requires Regulating Overfitting [91.88004732618381]
本稿では,高時間差(TD)誤差が深部RLアルゴリズムの性能に悪影響を及ぼす主要な原因であることを示す。
検証TDエラーをターゲットとした簡単なオンラインモデル選択法は,状態ベースDMCおよびGymタスク間で有効であることを示す。
論文 参考訳（メタデータ） (2023-04-20T17:11:05Z) - Boosting Facial Expression Recognition by A Semi-Supervised Progressive
Teacher [54.50747989860957]
本稿では,信頼度の高いFERデータセットと大規模未ラベル表現画像を有効訓練に用いるための半教師付き学習アルゴリズム,Progressive Teacher (PT)を提案する。
RAF-DB と FERPlus を用いた実験により,RAF-DB で89.57% の精度で最先端の性能を実現する手法の有効性が検証された。
論文 参考訳（メタデータ） (2022-05-28T07:47:53Z) - Soft Sensing Model Visualization: Fine-tuning Neural Network from What
Model Learned [5.182947614447375]
データ駆動型ソフトセンシングモデリングは、ウエハプロセスの診断においてより普及している。
深層学習は,高非線形・動的時系列データに有望な性能を有するソフトセンシングシステムで活用されている。
本稿では,高度不均衡データセットを用いた欠陥ウェハ検出のための深層学習モデルを提案する。
論文 参考訳（メタデータ） (2021-11-12T23:32:06Z) - Occlusion-aware Unsupervised Learning of Depth from 4-D Light Fields [50.435129905215284]
4次元光場処理と解析のための教師なし学習に基づく深度推定法を提案する。
光場データの特異な幾何学構造に関する基礎知識に基づいて,光場ビューのサブセット間の角度コヒーレンスを探索し,深度マップを推定する。
提案手法は,従来の手法と同等の精度で計算コストを低減した深度マップを作成できる。
論文 参考訳（メタデータ） (2021-06-06T06:19:50Z) - An Adaptive Framework for Learning Unsupervised Depth Completion [59.17364202590475]
カラー画像から高密度深度マップとそれに伴うスパース深度測定を推定する手法を提案する。
正規化とコビジュアライゼーションは、モデルの適合度とデータによって関連付けられており、単一のフレームワークに統合可能であることを示す。
論文 参考訳（メタデータ） (2021-06-06T02:27:55Z) - Auto-Rectify Network for Unsupervised Indoor Depth Estimation [119.82412041164372]
ハンドヘルド環境に現れる複雑な自我運動が,学習深度にとって重要な障害であることが確認された。
本稿では,相対回転を除去してトレーニング画像の修正を効果的に行うデータ前処理手法を提案する。
その結果、従来の教師なしSOTA法よりも、難易度の高いNYUv2データセットよりも優れていた。
論文 参考訳（メタデータ） (2020-06-04T08:59:17Z)
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。