Fugu-MT 論文翻訳(概要): Shape error prediction in 5-axis machining using graph neural networks

論文の概要: Shape error prediction in 5-axis machining using graph neural networks

arxiv url: http://arxiv.org/abs/2412.10341v2
Date: Thu, 19 Dec 2024 13:03:10 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-20 13:29:25.791200
Title: Shape error prediction in 5-axis machining using graph neural networks
Title（参考訳）: グラフニューラルネットワークを用いた5軸加工における形状誤差予測
Authors: Julia Huuk, Abheek Dhingra, Eirini Ntoutsi, Berend Denkena,
Abstract要約: 本稿では, グラフニューラルネットワークを用いた5軸加工における形状誤差の予測手法を提案する。グラフ構造は、表面点と隣接する関係を表すノードで定義される。
参考スコア（独自算出の注目度）: 3.6298655794854464
License:
Abstract: This paper presents an innovative method for predicting shape errors in 5-axis machining using graph neural networks. The graph structure is defined with nodes representing workpiece surface points and edges denoting the neighboring relationships. The dataset encompasses data from a material removal simulation, process data, and post-machining quality information. Experimental results show that the presented approach can generalize the shape error prediction for the investigated workpiece geometry. Moreover, by modelling spatial and temporal connections within the workpiece, the approach handles a low number of labels compared to non-graphical methods such as Support Vector Machines.
Abstract（参考訳）: 本稿では, グラフニューラルネットワークを用いた5軸加工における形状誤差の予測手法を提案する。グラフ構造は、隣接する関係を表すワークピースの表面点とエッジを表すノードで定義される。このデータセットは、材料除去シミュレーション、プロセスデータ、および加工後の品質情報からのデータを含む。実験結果から, 提案手法は, 検討されたワークピース形状の形状誤差予測を一般化できることがわかった。さらに、ワークピース内の空間的および時間的接続をモデル化することにより、Support Vector Machinesのような非グラフ的手法と比較して、低数のラベルを扱う。

関連論文リスト

Deep Manifold Graph Auto-Encoder for Attributed Graph Embedding [51.75091298017941]
本稿では,属性付きグラフデータに対する新しいDeep Manifold (Variational) Graph Auto-Encoder (DMVGAE/DMGAE)を提案する。提案手法は,最先端のベースラインアルゴリズムを,一般的なデータセット間でのダウンストリームタスクの差を大きく越える。
論文参考訳（メタデータ） (2024-01-12T17:57:07Z)
Improving embedding of graphs with missing data by soft manifolds [51.425411400683565]
グラフ埋め込みの信頼性は、連続空間の幾何がグラフ構造とどの程度一致しているかに依存する。我々は、この問題を解決することができる、ソフト多様体と呼ばれる新しい多様体のクラスを導入する。グラフ埋め込みにソフト多様体を用いることで、複雑なデータセット上のデータ解析における任意のタスクを追求するための連続空間を提供できる。
論文参考訳（メタデータ） (2023-11-29T12:48:33Z)
Graph Neural Network for Stress Predictions in Stiffened Panels Under Uniform Loading [0.0]
グラフニューラルネットワーク(Graph Neural Network, GNN)は、グラフとして表現可能なデータを処理するニューラルネットワークの一種である。本研究では,3次元強化パネルの効率的な表現のための新しいグラフ埋め込み手法を提案する。
論文参考訳（メタデータ） (2023-09-22T17:34:20Z)
Shape-Graph Matching Network (SGM-net): Registration for Statistical Shape Analysis [20.58923754314197]
本稿では,形状グラフと呼ばれるデータオブジェクトの形状の統計的解析に着目する。ここでの重要なニーズは、オブジェクト間のポイント(ノードからノード、エッジからエッジ)の制限された登録である。本稿では,ニューラルネットアーキテクチャを用いて,この登録問題に対処する。
論文参考訳（メタデータ） (2023-08-14T00:42:03Z)
GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文参考訳（メタデータ） (2022-12-01T11:49:07Z)
NeuralMeshing: Differentiable Meshing of Implicit Neural Representations [63.18340058854517]
ニューラルな暗黙表現から表面メッシュを抽出する新しい微分可能なメッシュアルゴリズムを提案する。本手法は,通常のテッセルレーションパターンと,既存の手法に比べて三角形面の少ないメッシュを生成する。
論文参考訳（メタデータ） (2022-10-05T16:52:25Z)
A Complex Network based Graph Embedding Method for Link Prediction [0.0]
本稿では,人気相似性と地域アトラクションのパラダイムに基づく新しいグラフ埋め込み手法を提案する。実験結果から,提案手法は最先端のグラフ埋め込みアルゴリズムよりも優れていることを示す。
論文参考訳（メタデータ） (2022-09-11T14:46:38Z)
Primal-Dual Mesh Convolutional Neural Networks [62.165239866312334]
本稿では,グラフ・ニューラル・ネットワークの文献からトライアングル・メッシュへ引き起こされた原始双対のフレームワークを提案する。提案手法は,3次元メッシュのエッジと顔の両方を入力として特徴付け,動的に集約する。メッシュ単純化の文献から得られたツールを用いて、我々のアプローチに関する理論的知見を提供する。
論文参考訳（メタデータ） (2020-10-23T14:49:02Z)
Quiver Signal Processing (QSP) [145.6921439353007]
キーバー表現に関する信号処理フレームワークの基礎を述べる。ネットワークにおける異種多次元情報を扱うための信号処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-10-22T08:40:15Z)
Prediction of Object Geometry from Acoustic Scattering Using Convolutional Neural Networks [8.067201256886733]
本研究は,畳み込みニューラルネットワークを訓練することにより,散乱特徴から物体形状を推定することを提案する。データ劣化に対する我々のアプローチの堅牢性は、データセットを用いてトレーニングされたネットワークの性能を比較して評価する。
論文参考訳（メタデータ） (2020-10-21T00:51:14Z)

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。