論文の概要: Kolmogorov-Arnold networks for metal surface defect classification

• arxiv url: http://arxiv.org/abs/2501.06389v1
• Date: Fri, 10 Jan 2025 23:58:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:29:59.216095
• Title: Kolmogorov-Arnold networks for metal surface defect classification
• Title（参考訳）: 金属表面欠陥分類のためのコルモゴロフ・アルノルドネットワーク
• Authors: Maciej Krzywda, Mariusz Wermiński, Szymon Łukasik, Amir H. Gandomi,
• Abstract要約: 本稿では,金属表面欠陥の分類におけるKAN(Kolmogorov-Arnold Networks)の適用について述べる。 Kanは従来の多層パーセプトロン(MLP)と比較して新しいアプローチを提供する その結果,KANネットワークはより少ないパラメータで畳み込みニューラルネットワーク(CNN)よりも精度が向上し,より高速な収束と画像分類性能の向上が得られた。
• 参考スコア（独自算出の注目度）: 7.735258048747759
• License:
• Abstract: This paper presents the application of Kolmogorov-Arnold Networks (KAN) in classifying metal surface defects. Specifically, steel surfaces are analyzed to detect defects such as cracks, inclusions, patches, pitted surfaces, and scratches. Drawing on the Kolmogorov-Arnold theorem, KAN provides a novel approach compared to conventional multilayer perceptrons (MLPs), facilitating more efficient function approximation by utilizing spline functions. The results show that KAN networks can achieve better accuracy than convolutional neural networks (CNNs) with fewer parameters, resulting in faster convergence and improved performance in image classification.
• Abstract（参考訳）: 本稿では,金属表面欠陥の分類におけるKAN(Kolmogorov-Arnold Networks)の適用について述べる。 具体的には, ひび割れ, 介在物, パッチ, ピット面, ひび割れなどの欠陥を検出するために, 鋼表面を解析した。 コルモゴロフ・アルノルドの定理に基づいて、カンは従来の多層パーセプトロン(MLP)と比較して新しいアプローチを提供し、スプライン関数を利用することでより効率的な関数近似を容易にする。 その結果,KANネットワークはより少ないパラメータで畳み込みニューラルネットワーク(CNN)よりも精度が向上し,より高速な収束と画像分類性能の向上が得られた。

関連論文リスト

• RW-NSGCN: A Robust Approach to Structural Attacks via Negative Sampling [10.124585385676376]
  グラフニューラルネットワーク(GNN)は、ユーザ関心の予測やソーシャルネットワーク内のコミュニティの検出など、さまざまな実践シナリオに広く応用されている。 近年の研究では、グラフ構造ネットワークは、しばしばトポロジカル摂動と重み乱の形で潜在的なノイズや攻撃を含むことが示されている。 RW-NSGCNはRandom Walk with Restart(RWR)とPageRankアルゴリズムを統合して負のサンプリングを行い、畳み込み操作にDeterminantal Point Process(DPP)ベースのGCNを用いる。
  論文  参考訳（メタデータ） (2024-08-13T06:34:56Z)
• Residual resampling-based physics-informed neural network for neutron diffusion equations [7.105073499157097]
  中性子拡散方程式は原子炉の解析において重要な役割を果たす。 従来のPINNアプローチでは、完全に接続されたネットワーク(FCN)アーキテクチャを利用することが多い。 R2-PINNは、現在の方法に固有の制限を効果的に克服し、中性子拡散方程式のより正確で堅牢な解を提供する。
  論文  参考訳（メタデータ） (2024-06-23T13:49:31Z)
• A Neural Network-Based Enrichment of Reproducing Kernel Approximation for Modeling Brittle Fracture [0.0]
  脆性破壊をモデル化するためのニューラルネットワーク強化再生カーネル粒子法(NN-RKPM)の改良版を提案する。 提案手法の有効性は,損傷伝播と分岐を含む一連の数値例によって実証された。
  論文  参考訳（メタデータ） (2023-07-04T21:52:09Z)
• Fast Exploration of the Impact of Precision Reduction on Spiking Neural Networks [63.614519238823206]
  ターゲットハードウェアがコンピューティングの端に達すると、スパイキングニューラルネットワーク(SNN)が実用的な選択となる。 我々は、近似誤差を伝播するそのようなモデルの能力を生かした探索手法を開発するために、インターヴァル算術(IA)モデルを用いる。
  論文  参考訳（メタデータ） (2022-11-22T15:08:05Z)
• Multi-Task Mixture Density Graph Neural Networks for Predicting Cu-based Single-Atom Alloy Catalysts for CO2 Reduction Reaction [61.9212585617803]
  グラフニューラルネットワーク(GNN)は、材料科学者からますます注目を集めている。 本研究では,DimeNet++と混合密度ネットワークに基づくマルチタスク(MT)アーキテクチャを構築し,その性能向上を図る。
  論文  参考訳（メタデータ） (2022-09-15T13:52:15Z)
• CCasGNN: Collaborative Cascade Prediction Based on Graph Neural Networks [0.49269463638915806]
  カスケード予測は,ネットワーク内の情報拡散をモデル化することを目的とした。 グラフニューラルネットワークとリカレントニューラルネットワークによるネットワーク構造とシーケンス特徴の組み合わせに関する研究 本稿では,個々のプロファイル,構造特徴,シーケンス情報を考慮した新しいCCasGNNを提案する。
  論文  参考訳（メタデータ） (2021-12-07T11:37:36Z)
• Optimizing Mode Connectivity via Neuron Alignment [84.26606622400423]
  経験的に、損失関数の局所ミニマは、損失がほぼ一定であるようなモデル空間の学習曲線で接続することができる。 本稿では,ネットワークの重み変化を考慮し,対称性がランドスケープ・コネクティビティに与える影響を明らかにするための,より一般的な枠組みを提案する。
  論文  参考訳（メタデータ） (2020-09-05T02:25:23Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Optimal Rates for Averaged Stochastic Gradient Descent under Neural Tangent Kernel Regime [50.510421854168065]
  平均勾配勾配勾配は極小収束率が得られることを示す。 本稿では、ReLUネットワークのNTKで指定されたターゲット関数を最適収束速度で学習できることを示す。
  論文  参考訳（メタデータ） (2020-06-22T14:31:37Z)

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。