論文の概要: Large Language Models for Extrapolative Modeling of Manufacturing Processes

• arxiv url: http://arxiv.org/abs/2502.12185v1
• Date: Sat, 15 Feb 2025 02:43:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:54.672522
• Title: Large Language Models for Extrapolative Modeling of Manufacturing Processes
• Title（参考訳）: 製造プロセスの補間モデリングのための大規模言語モデル
• Authors: Kiarash Naghavi Khanghah, Anandkumar Patel, Rajiv Malhotra, Hongyi Xu,
• Abstract要約: この斬新さは、文献に埋め込まれたプロセス関連知識の自動抽出と、少量の実験データに基づく反復的モデル改良を組み合わせることにある。 以上の結果から,本フレームワークから派生したモデルでは予期せぬ高い外挿性能が得られた。
• 参考スコア（独自算出の注目度）: 5.705795836910535
• License:
• Abstract: Conventional predictive modeling of parametric relationships in manufacturing processes is limited by the subjectivity of human expertise and intuition on the one hand and by the cost and time of experimental data generation on the other hand. This work addresses this issue by establishing a new Large Language Model (LLM) framework. The novelty lies in combining automatic extraction of process-relevant knowledge embedded in the literature with iterative model refinement based on a small amount of experimental data. This approach is evaluated on three distinct manufacturing processes that are based on machining, deformation, and additive principles. The results show that for the same small experimental data budget the models derived by our framework have unexpectedly high extrapolative performance, often surpassing the capabilities of conventional Machine Learning. Further, our approach eliminates manual generation of initial models or expertise-dependent interpretation of the literature. The results also reveal the importance of the nature of the knowledge extracted from the literature and the significance of both the knowledge extraction and model refinement components.
• Abstract（参考訳）: 製造プロセスにおける従来のパラメトリック関係の予測モデリングは、人間の専門知識の主観性と直観によって制限され、一方、実験データ生成のコストと時間によって制限される。 この作業は、新しいLarge Language Model(LLM)フレームワークを確立することでこの問題に対処する。 この斬新さは、文献に埋め込まれたプロセス関連知識の自動抽出と、少量の実験データに基づく反復的モデル改良を組み合わせることにある。 このアプローチは, 加工, 変形, 加法原理に基づく3つの異なる製造プロセスに基づいて評価される。 その結果, 従来の機械学習の能力を超え, 予期せぬ高い外挿性能が得られた。 さらに,本手法は,初期モデルの手動生成や専門知識に依存した文献解釈を除去する。 また,文献から抽出した知識の性質の重要性と,知識抽出とモデル精錬の両要素の重要性を明らかにした。

関連論文リスト

• NeuralFactors: A Novel Factor Learning Approach to Generative Modeling of Equities [0.0]
  ニューラルネットワークが因子の露出を出力し、因子が返ってくる因子分析のための、新しい機械学習ベースのアプローチであるNeuralFactorsを紹介する。 このモデルは,ログライクな性能と計算効率の観点から,従来の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-08-02T18:01:09Z)
• Learning to Extract Structured Entities Using Language Models [52.281701191329]
  機械学習の最近の進歩は、情報抽出の分野に大きな影響を与えている。 タスクをエンティティ中心にすることで、さまざまなメトリクスの使用を可能にします。 我々は、Structured Entity extractを導入し、Adroximate Entity Set OverlaPメトリックを提案し、この分野にコントリビュートします。
  論文  参考訳（メタデータ） (2024-02-06T22:15:09Z)
• RAVEN: In-Context Learning with Retrieval-Augmented Encoder-Decoder Language Models [57.12888828853409]
  RAVENは検索強化されたマスク付き言語モデリングとプレフィックス言語モデリングを組み合わせたモデルである。 フュージョン・イン・コンテキスト・ラーニング(Fusion-in-Context Learning)により、追加のトレーニングを必要とせずに、より多くのコンテキスト内サンプルを利用できる。 本研究は,テキスト内学習のためのエンコーダ・デコーダ言語モデルの構築の可能性を明らかにするものである。
  論文  参考訳（メタデータ） (2023-08-15T17:59:18Z)
• Redeeming Data Science by Decision Modelling [0.0]
  本稿では,従来の機械学習モデルと明示的な値モデルを組み合わせる方法を説明する。 具体的な例を示すために、モデルのROC曲線とユーティリティモデルを統合することで、これをどのように行うかを示します。
  論文  参考訳（メタデータ） (2023-06-30T19:00:04Z)
• Scaling Vision-Language Models with Sparse Mixture of Experts [128.0882767889029]
  提案手法は, 等価計算コストの高密度モデルに対して, 様々なベンチマークにおいて, 最先端性能を実現することができることを示す。 我々の研究は、MoEモデルのトレーニングの安定化、モデル解釈可能性に対するMoEの影響の理解、ビジョン言語モデルをスケールする際の計算性能間のトレードオフのバランスに関する貴重な洞察を提供する。
  論文  参考訳（メタデータ） (2023-03-13T16:00:31Z)
• Contextual Mixture of Experts: Integrating Knowledge into Predictive Modeling [0.0]
  この研究は、プロセス産業における人-機械のシナジーを高めるために、プロセス知識をその構造に統合するために考案された新しいデータ駆動モデルを提案する。 提案したContextual Mixture of Experts (cMoE)は、モデル学習段階に沿ったプロセス知識を明示的に使用して、履歴データを形成して、可能性分布を通じてプロセスに関連するオペレータのコンテキストを表現する。
  論文  参考訳（メタデータ） (2022-11-01T16:12:42Z)
• Towards Interpretable Deep Reinforcement Learning Models via Inverse Reinforcement Learning [27.841725567976315]
  本稿では,逆逆強化学習を利用した新しいフレームワークを提案する。 このフレームワークは、強化学習モデルによる決定のグローバルな説明を提供する。 モデルの意思決定過程を要約することで、モデルが従う直感的な傾向を捉える。
  論文  参考訳（メタデータ） (2022-03-30T17:01:59Z)
• Capturing and incorporating expert knowledge into machine learning models for quality prediction in manufacturing [0.0]
  本研究では,小規模データセットを用いた機械学習手法を用いて品質予測モデルを構築するための一般的な手法を提案する。 提案手法は,プロセススペシャリストが規定するすべての専門知識に厳密に準拠する予測モデルを生成する。
  論文  参考訳（メタデータ） (2022-02-04T07:22:29Z)
• Improving the Reconstruction of Disentangled Representation Learners via Multi-Stage Modeling [54.94763543386523]
  現在の自己エンコーダに基づく非絡み合い表現学習法は、(集合体)後部をペナルティ化し、潜伏因子の統計的独立を促進することで、非絡み合いを実現する。 本稿では,不整合因子をペナルティに基づく不整合表現学習法を用いて学習する,新しい多段階モデリング手法を提案する。 次に、低品質な再構成を、欠落した関連潜伏変数をモデル化するために訓練された別の深層生成モデルで改善する。
  論文  参考訳（メタデータ） (2020-10-25T18:51:15Z)
• 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)
• Predictive modeling approaches in laser-based material processing [59.04160452043105]
  本研究の目的は,レーザー加工が材料構造に及ぼす影響を自動予測することである。 その焦点は、統計的および機械学習の代表的なアルゴリズムのパフォーマンスに焦点を当てている。 結果は、材料設計、テスト、生産コストを削減するための体系的な方法論の基礎を設定することができる。
  論文  参考訳（メタデータ） (2020-06-13T17:28:52Z)

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。