論文の概要: DeCo: Defect-Aware Modeling with Contrasting Matching for Optimizing Task Assignment in Online IC Testing

• arxiv url: http://arxiv.org/abs/2505.00278v1
• Date: Thu, 01 May 2025 04:01:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-02 19:15:55.214276
• Title: DeCo: Defect-Aware Modeling with Contrasting Matching for Optimizing Task Assignment in Online IC Testing
• Title（参考訳）: DeCo:オンラインICテストにおけるタスク割り当て最適化のためのコントラストマッチングによる欠陥認識モデリング
• Authors: Lo Pang-Yun Ting, Yu-Hao Chiang, Yi-Tung Tsai, Hsu-Chao Lai, Kun-Ta Chuang,
• Abstract要約: ICテストにおけるタスク割り当てを最適化するための革新的なアプローチであるDeCoを提案する。 DeCoは、ICテストレポートから新たな欠陥認識グラフを構築し、欠陥の識別を強化するために、共障害関係をキャプチャする。 エンジニアとタスクの欠陥認識表現を定式化し、局所的およびグローバルな構造モデリングによって強化される。 実世界のデータセットの実験では、DeCoがさまざまなシナリオにおけるタスク処理の成功率が最も高く、80%を超えていることが示されている。
• 参考スコア（独自算出の注目度）: 0.39146761527401425
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the semiconductor industry, integrated circuit (IC) processes play a vital role, as the rising complexity and market expectations necessitate improvements in yield. Identifying IC defects and assigning IC testing tasks to the right engineers improves efficiency and reduces losses. While current studies emphasize fault localization or defect classification, they overlook the integration of defect characteristics, historical failures, and the insights from engineer expertise, which restrains their effectiveness in improving IC handling. To leverage AI for these challenges, we propose DeCo, an innovative approach for optimizing task assignment in IC testing. DeCo constructs a novel defect-aware graph from IC testing reports, capturing co-failure relationships to enhance defect differentiation, even with scarce defect data. Additionally, it formulates defect-aware representations for engineers and tasks, reinforced by local and global structure modeling on the defect-aware graph. Finally, a contrasting-based assignment mechanism pairs testing tasks with QA engineers by considering their skill level and current workload, thus promoting an equitable and efficient job dispatch. Experiments on a real-world dataset demonstrate that DeCo achieves the highest task-handling success rates in different scenarios, exceeding 80\%, while also maintaining balanced workloads on both scarce or expanded defect data. Moreover, case studies reveal that DeCo can assign tasks to potentially capable engineers, even for their unfamiliar defects, highlighting its potential as an AI-driven solution for the real-world IC failure analysis and task handling.
• Abstract（参考訳）: 半導体産業において、集積回路(IC)プロセスは、複雑化と市場の期待が収量の改善を必要とするため、重要な役割を担っている。 ICの欠陥を特定し、適切なエンジニアにICテストタスクを割り当てることは、効率を改善し、損失を減らす。 現在の研究では、障害のローカライゼーションや欠陥分類が重視されているが、彼らは欠陥の特徴、歴史的失敗、そしてICハンドリングの改善におけるその効果を抑えるエンジニアの専門知識からの洞察の統合を見落としている。 これらの課題にAIを活用するために,我々は,ICテストにおけるタスク割り当てを最適化するための革新的なアプローチであるDeCoを提案する。 DeCoは、ICテストレポートから新たな欠陥認識グラフを構築し、欠陥データが少ない場合でも、欠陥の識別性を高めるために、共障害関係をキャプチャする。 さらに、エンジニアとタスクの欠陥認識表現を定式化し、欠陥認識グラフ上の局所的およびグローバルな構造モデリングによって強化される。 最後に、コントラストベースの割当て機構は、彼らのスキルレベルと現在のワークロードを考慮して、QAエンジニアとテストタスクをペアリングすることにより、公平で効率的なジョブディスパッチを促進する。 実世界のデータセットの実験では、DeCoがさまざまなシナリオで最高のタスク処理の成功率を達成し、80%を超える一方で、不足データと拡張された障害データの両方でバランスの取れたワークロードを維持していることが示されている。 さらに、ケーススタディでは、DeCoが精通していない欠陥であっても、潜在的に有能なエンジニアにタスクを割り当て、実際のIC障害分析とタスクハンドリングのためのAI駆動ソリューションとしての可能性を強調している。

関連論文リスト

• Causality-Driven Neural Network Repair: Challenges and Opportunities [5.69361786082969]
  ディープニューラルネットワーク(DNN)はしばしば因果推論よりも統計的相関に頼り、その堅牢性と解釈可能性を制限する。 本稿では、主にDNN修復のためのアプローチとしての因果推論について検討し、因果デバッグと構造因果モデル(SCM)を用いて障害を特定し、修正する。
  論文  参考訳（メタデータ） (2025-04-24T21:22:00Z)
• EIAD: Explainable Industrial Anomaly Detection Via Multi-Modal Large Language Models [23.898938659720503]
  工業異常検出(IAD)は製造中の製品品質を確保するために重要である。 本稿では,コア特徴抽出からダイアログ機能を分離する専用マルチモーダル欠陥ローカライゼーションモジュールを提案する。 私たちはまた、Defect Detection Question Answering (DDQA) という、最初のマルチモーダル産業異常検出トレーニングデータセットにも貢献する。
  論文  参考訳（メタデータ） (2025-03-18T11:33:29Z)
• Interactive Agents to Overcome Ambiguity in Software Engineering [61.40183840499932]
  AIエージェントは、あいまいで不明確なユーザー指示に基づいて、タスクを自動化するためにますますデプロイされている。 不安定な仮定をし、明確な質問をしないことは、最適以下の結果につながる可能性がある。 対話型コード生成設定において,LLMエージェントが不明瞭な命令を処理する能力について,プロプライエタリモデルとオープンウェイトモデルを評価して検討する。
  論文  参考訳（メタデータ） (2025-02-18T17:12:26Z)
• Defect Detection Network In PCB Circuit Devices Based on GAN Enhanced YOLOv11 [1.6775954077761863]
  本研究では, GANを用いた改良YOLOv11モデルを用いたプリント基板(PCB)の表面欠陥検出手法を提案する。 このアプローチは、欠落穴、ラットの噛み傷、オープンサーキット、ショートサーキット、バー、仮想溶接の6つの一般的な欠陥タイプを特定することに焦点を当てている。 強化されたYOLOv11モデルはPCB欠陥データセットで評価され、精度、リコール、堅牢性を大幅に改善した。
  論文  参考訳（メタデータ） (2025-01-12T17:26:24Z)
• Architectural Flaw Detection in Civil Engineering Using GPT-4 [0.8463972278020965]
  本稿では,LLM GPT4ターボビジョンモデルによる設計段階におけるアーキテクチャ欠陥の検出の可能性について検討する。 本研究は,精度,リコール,F1スコアなどの指標を用いて,モデルの性能を評価する。 この調査結果は、AIが設計精度を大幅に改善し、コストのかかるリビジョンを削減し、持続可能なプラクティスをサポートする方法を強調している。
  論文  参考訳（メタデータ） (2024-10-26T01:10:04Z)
• The Future of Software Testing: AI-Powered Test Case Generation and Validation [0.0]
  本稿では、テストケースの生成と検証を改善する上で、AIが持つ変革の可能性について考察する。 テストプロセスの効率性、正確性、スケーラビリティを高める能力に重点を置いている。 また、高品質なトレーニングデータの必要性など、テストにAIを適用する際の重要な課題にも対処している。
  論文  参考訳（メタデータ） (2024-09-09T17:12:40Z)
• Re-TASK: Revisiting LLM Tasks from Capability, Skill, and Knowledge Perspectives [54.14429346914995]
  CoT (Chain-of-Thought) は複雑な問題を解決する重要な方法となっている。 大規模言語モデル(LLM)はドメイン固有のタスクを正確に分解するのに苦労することが多い。 本稿では,LLMタスクを能力,スキル,知識の観点から再検討する理論モデルであるRe-TASKフレームワークを紹介する。
  論文  参考訳（メタデータ） (2024-08-13T13:58:23Z)
• Parameter-Efficient Fine-Tuning for Continual Learning: A Neural Tangent Kernel Perspective [125.00228936051657]
  本稿では,タスク関連機能を適応的に生成しながら,タスク固有のパラメータ記憶を不要にする新しいフレームワークNTK-CLを紹介する。 最適化可能なパラメータを適切な正規化で微調整することにより、NTK-CLは確立されたPEFT-CLベンチマーク上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-07-24T09:30:04Z)
• Agent-Driven Automatic Software Improvement [55.2480439325792]
  本提案は,Large Language Models (LLMs) を利用したエージェントの展開に着目して,革新的なソリューションの探求を目的とする。 継続的学習と適応を可能にするエージェントの反復的性質は、コード生成における一般的な課題を克服するのに役立ちます。 我々は,これらのシステムにおける反復的なフィードバックを用いて,エージェントの基盤となるLLMをさらに微調整し,自動化されたソフトウェア改善のタスクに整合性を持たせることを目指している。
  論文  参考訳（メタデータ） (2024-06-24T15:45:22Z)
• On Task Performance and Model Calibration with Supervised and Self-Ensembled In-Context Learning [71.44986275228747]
  In-context Learning (ICL) は、近年の大規模言語モデル(LLM)の進歩により、効率的なアプローチとなっている。 しかし、両方のパラダイムは、過信の批判的な問題(すなわち、誤校正)に苦しむ傾向にある。
  論文  参考訳（メタデータ） (2023-12-21T11:55:10Z)
• Correct Like Humans: Progressive Learning Framework for Chinese Text Error Correction [28.25789161365667]
  Chinese Text Error Correction (CTEC) は、入力テキスト中のエラーを検出し、修正することを目的としている。 最近のアプローチではCTECの解決にPLM(Pre-trained Language Models)を主に採用している。 本稿では,PLMをベースとしたCTECモデルを誘導し,人間のように修正する,モデルに依存しない新しいプログレッシブラーニングフレームワークProTECを提案する。
  論文  参考訳（メタデータ） (2023-06-30T07:44:49Z)
• Federated Learning with Unreliable Clients: Performance Analysis and Mechanism Design [76.29738151117583]
  Federated Learning(FL)は、分散クライアント間で効果的な機械学習モデルをトレーニングするための有望なツールとなっている。 しかし、低品質のモデルは信頼性の低いクライアントによってアグリゲータサーバにアップロードすることができ、劣化やトレーニングの崩壊につながる。 クライアントの信頼できない振る舞いをモデル化し、このようなセキュリティリスクを軽減するための防御メカニズムを提案する。
  論文  参考訳（メタデータ） (2021-05-10T08:02:27Z)

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。