論文の概要: Redundancy Analysis and Mitigation for Machine Learning-Based Process Monitoring of Additive Manufacturing
- arxiv url: http://arxiv.org/abs/2504.21317v1
- Date: Wed, 30 Apr 2025 05:04:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-05-09 22:26:46.15696
- Title: Redundancy Analysis and Mitigation for Machine Learning-Based Process Monitoring of Additive Manufacturing
- Title（参考訳）: 添加物製造の機械学習プロセスモニタリングにおける冗長性解析と緩和
- Authors: Jiarui Xie, Yaoyao Fiona Zhao,
- Abstract要約: 過剰な冗長性は、機器コストの増加、モデル性能の損耗、高い計算要求をもたらす。
本稿では,MLに基づくAMプロセス監視における冗長性を定義し,それをサンプルレベル,特徴レベル,モデルレベルの冗長性に分類する。
データ登録やダウンスケール,モダリティ間の知識伝達,モデルプルーニングといった高度な手法を取り入れた,総合的マルチレベル冗長性緩和(MLRM)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.414636048610798
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: The deployment of machine learning (ML)-based process monitoring systems has significantly advanced additive manufacturing (AM) by enabling real-time defect detection, quality assessment, and process optimization. However, redundancy is a critical yet often overlooked challenge in the deployment and operation of ML-based AM process monitoring systems. Excessive redundancy leads to increased equipment costs, compromised model performance, and high computational requirements, posing barriers to industrial adoption. However, existing research lacks a unified definition of redundancy and a systematic framework for its evaluation and mitigation. This paper defines redundancy in ML-based AM process monitoring and categorizes it into sample-level, feature-level, and model-level redundancy. A comprehensive multi-level redundancy mitigation (MLRM) framework is proposed, incorporating advanced methods such as data registration, downscaling, cross-modality knowledge transfer, and model pruning to systematically reduce redundancy while improving model performance. The framework is validated through an ML-based in-situ defect detection case study for directed energy deposition (DED), demonstrating a 91% reduction in latency, a 47% decrease in error rate, and a 99.4% reduction in storage requirements. Additionally, the proposed approach lowers sensor costs and energy consumption, enabling a lightweight, cost-effective, and scalable monitoring system. By defining redundancy and introducing a structured mitigation framework, this study establishes redundancy analysis and mitigation as a key enabler of efficient ML-based process monitoring in production environments.
- Abstract（参考訳）: 機械学習(ML)ベースのプロセス監視システムのデプロイは、リアルタイムな欠陥検出、品質評価、プロセス最適化を可能にすることで、大幅に進歩した追加製造(AM)を実現している。
しかし、冗長性はMLベースのAMプロセス監視システムのデプロイと運用において、しばしば見落とされがちな課題である。
過剰な冗長性は、設備コストの増大、モデル性能の損耗、高い計算要求をもたらし、産業採用の障壁となる。
しかし、既存の研究は冗長性の統一的な定義と、その評価と緩和のための体系的な枠組みを欠いている。
本稿では,MLに基づくAMプロセス監視における冗長性を定義し,それをサンプルレベル,特徴レベル,モデルレベルの冗長性に分類する。
データ登録、ダウンスケーリング、モダリティ間の知識伝達、モデルプルーニングといった高度な手法を取り入れた総合的マルチレベル冗長化(MLRM)フレームワークを提案し、モデル性能を改善しながら冗長性を体系的に低減する。
このフレームワークは、指向性エネルギー沈着(DED)のためのMLベースのその場欠陥検出ケーススタディ(In-situ defect detection case study)によって検証され、91%の遅延減少、47%のエラー率、99.4%のストレージ要求の削減が示されている。
さらに、提案手法はセンサコストとエネルギー消費を低減し、軽量で費用効率が高くスケーラブルなモニタリングシステムを実現する。
本研究は、冗長性の定義と構造的緩和フレームワークの導入により、実運用環境における効率的なMLベースのプロセス監視の鍵となる冗長性分析と緩和を確立する。
関連論文リスト
- Enhanced Semi-Supervised Stamping Process Monitoring with Physically-Informed Feature Extraction [3.0043530290654585]
本研究では、加速度計信号と物理情報を利用して、プロセス異常を効果的に捕捉する半教師付きプロセス内異常監視フレームワークを提案する。
提案フレームワークは,プロセス内状態をリアルタイムで監視し,バッチ異常を防止できる不均衡なサンプル分布をもつモニタリングモデルの構築を容易にする。
論文 参考訳（メタデータ） (2025-04-30T07:42:19Z) - LR-IAD:Mask-Free Industrial Anomaly Detection with Logical Reasoning [1.3124513975412255]
産業異常検出(IAD)は欠陥を特定することで製品品質を確保するために重要である。
既存の視覚言語モデル(VLM)とMLLM(Multimodal Large Language Models)はいくつかの制限に対処するが、マスクアノテーションに依存している。
授業の不均衡に対処するために,授業中に稀な欠陥パターンを動的に優先順位付けする報酬関数を提案する。
論文 参考訳（メタデータ） (2025-04-28T06:52:35Z) - Network Resource Optimization for ML-Based UAV Condition Monitoring with Vibration Analysis [54.550658461477106]
条件監視(CM)は機械学習(ML)モデルを使用して異常および異常な条件を識別する。
本研究では,MLベースのUAV CMフレームワークにおけるネットワークリソースの最適化について検討する。
次元削減技術を活用することで、ネットワークリソース消費の99.9%が削減される。
論文 参考訳（メタデータ） (2025-02-21T14:36:12Z) - DSMoE: Matrix-Partitioned Experts with Dynamic Routing for Computation-Efficient Dense LLMs [70.91804882618243]
本稿では,事前学習したFFN層を計算ブロックに分割することで,分散化を実現するDSMoEを提案する。
我々は,Sigmoid アクティベーションとストレートスルー推定器を用いた適応型エキスパートルーティングを実装し,トークンがモデル知識の様々な側面に柔軟にアクセスできるようにする。
LLaMAモデルを用いた実験により、DSMoEは既存のプルーニング法やMoE法に比べて優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2025-02-18T02:37:26Z) - Coarse-to-Fine Process Reward Modeling for Mathematical Reasoning [11.15613673478208]
プロセス・リワード・モデル (Process Reward Model, PRM) は数学的推論において重要な役割を担い、高品質なプロセスデータを必要とする。
我々は,Large Language Models (LLM) が生成する推論ステップが,厳密なインクリメンタルな情報表示に失敗することが多く,冗長性が生じることを観察する。
本稿では,冗長なステップを検出するための簡易かつ効果的な粗大な戦略CFPRMを提案する。
論文 参考訳（メタデータ） (2025-01-23T12:44:45Z) - Automatic Evaluation for Text-to-image Generation: Task-decomposed Framework, Distilled Training, and Meta-evaluation Benchmark [62.58869921806019]
GPT-4oに基づくタスク分解評価フレームワークを提案し、新しいトレーニングデータセットを自動構築する。
我々は、GPT-4oの評価能力を7BオープンソースMLLM、MiniCPM-V-2.6に効果的に蒸留するための革新的なトレーニング戦略を設計する。
実験結果から,我々の蒸留したオープンソースMLLMは,現在のGPT-4oベースラインよりも有意に優れていた。
論文 参考訳（メタデータ） (2024-11-23T08:06:06Z) - MR-Ben: A Meta-Reasoning Benchmark for Evaluating System-2 Thinking in LLMs [55.20845457594977]
大規模言語モデル(LLM)は、問題解決と意思決定の能力の向上を示している。
本稿ではメタ推論技術を必要とするプロセスベースのベンチマークMR-Benを提案する。
メタ推論のパラダイムは,システム2のスロー思考に特に適しています。
論文 参考訳（メタデータ） (2024-06-20T03:50:23Z) - Recover: A Neuro-Symbolic Framework for Failure Detection and Recovery [2.0554045007430672]
本稿では,オンライン障害識別と回復のためのニューロシンボリック・フレームワークであるRecoverを紹介する。
論理ルールとLLMベースのプランナを統合することで、Recoverはシンボル情報を利用してLLMの回復計画を生成する能力を高める。
論文 参考訳（メタデータ） (2024-03-31T17:54:22Z) - Characterization of Large Language Model Development in the Datacenter [55.9909258342639]
大きな言語モデル(LLM)は、いくつかの変換タスクにまたがって素晴らしいパフォーマンスを示している。
しかし,大規模クラスタ資源を効率よく利用してLCMを開発することは容易ではない。
我々は,GPUデータセンタAcmeから収集した6ヶ月のLDM開発ワークロードの詳細な評価を行った。
論文 参考訳（メタデータ） (2024-03-12T13:31:14Z) - TranDRL: A Transformer-Driven Deep Reinforcement Learning Enabled Prescriptive Maintenance Framework [58.474610046294856]
産業システムは、運用効率を高め、ダウンタイムを減らすための信頼性の高い予測保守戦略を要求する。
本稿では,Transformerモデルに基づくニューラルネットワークと深部強化学習(DRL)アルゴリズムの機能を活用し,システムの保守動作を最適化する統合フレームワークを提案する。
論文 参考訳（メタデータ） (2023-09-29T02:27:54Z) - A Generative Framework for Low-Cost Result Validation of Machine Learning-as-a-Service Inference [4.478182379059458]
FidesはML-as-a-Service(ML)推論のリアルタイム整合性検証のための新しいフレームワークである。
Fidesは、統計的分析とばらつき測定を使用して、サービスモデルが攻撃を受けている場合、高い確率で識別するクライアント側攻撃検出モデルを備えている。
攻撃検出と再分類モデルの訓練のための生成的逆ネットワークフレームワークを考案した。
論文 参考訳（メタデータ） (2023-03-31T19:17:30Z) - Machine Learning based Indicators to Enhance Process Monitoring by
Pattern Recognition [0.4893345190925177]
パターンタイプと強度を組み合わせた機械学習に基づく指標のための新しいフレームワークを提案する。
半導体産業のケーススタディでは,従来のプロセス制御を越え,高品質な実験結果を得る。
論文 参考訳（メタデータ） (2021-03-24T10:13:20Z)
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。