論文の概要: Deep Generative Methods and Tire Architecture Design

• arxiv url: http://arxiv.org/abs/2507.11639v1
• Date: Tue, 15 Jul 2025 18:24:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.106448
• Title: Deep Generative Methods and Tire Architecture Design
• Title（参考訳）: Deep Generative Methods and Tire Architecture Design
• Authors: Fouad Oubari, Raphael Meunier, Rodrigue Décatoire, Mathilde Mougeot,
• Abstract要約: 本研究は, 産業用タイヤのアーキテクチャ生成に関する5つの代表的なモデルについて, 完全な研究である。 評価は, (i) 完全多成分設計の不条件生成, (ii) コンポーネント条件生成, (iii) 次元制約生成の3つの主要な産業シナリオにまたがる。 マスクを意識した逆拡散プロセスであるカテゴリ的インパインティングを導入し,追加のトレーニングを必要とせず,既知のラベルを保存する。
• 参考スコア（独自算出の注目度）: 1.3124513975412255
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: As deep generative models proliferate across the AI landscape, industrial practitioners still face critical yet unanswered questions about which deep generative models best suit complex manufacturing design tasks. This work addresses this question through a complete study of five representative models (Variational Autoencoder, Generative Adversarial Network, multimodal Variational Autoencoder, Denoising Diffusion Probabilistic Model, and Multinomial Diffusion Model) on industrial tire architecture generation. Our evaluation spans three key industrial scenarios: (i) unconditional generation of complete multi-component designs, (ii) component-conditioned generation (reconstructing architectures from partial observations), and (iii) dimension-constrained generation (creating designs that satisfy specific dimensional requirements). To enable discrete diffusion models to handle conditional scenarios, we introduce categorical inpainting, a mask-aware reverse diffusion process that preserves known labels without requiring additional training. Our evaluation employs geometry-aware metrics specifically calibrated for industrial requirements, quantifying spatial coherence, component interaction, structural connectivity, and perceptual fidelity. Our findings reveal that diffusion models achieve the strongest overall performance; a masking-trained VAE nonetheless outperforms the multimodal variant MMVAE\textsuperscript{+} on nearly all component-conditioned metrics, and within the diffusion family MDM leads in-distribution whereas DDPM generalises better to out-of-distribution dimensional constraints.
• Abstract（参考訳）: 深層生成モデルがAIの世界に浸透するにつれ、産業の実践者は、複雑な製造設計タスクにどの深部生成モデルが最適かという批判的かつ未解決の疑問に直面している。 本研究は, 産業用タイヤアーキテクチャ生成における5つの代表モデル(可変オートエンコーダ, 生成適応ネットワーク, マルチモーダル変分オートエンコーダ, 拡散確率モデル, および多項拡散モデル)の完全な研究を通して, この問題に対処する。 私たちの評価は3つの主要な産業シナリオにまたがっている。 i) 完全多成分設計の無条件生成 (二 部品条件生成(部分観察による建築の再建)及び 三 次元制約世代(特定次元要件を満たす設計を作成すること。) 離散拡散モデルで条件付きシナリオを扱えるようにするために,マスクを意識した逆拡散プロセスであるカテゴリ的インペインティングを導入する。 本評価では,空間コヒーレンス,コンポーネント間相互作用,構造的接続性,知覚的忠実度を定量化するために,特に産業的要求に配慮した幾何学的基準を用いる。 その結果, 拡散モデルが最も優れた総合的性能を達成していることが明らかとなった。しかしながら, マスクトレーニングされたVAEは, ほとんどすべての成分条件で多モード変種 MMVAE\textsuperscript{+} を上回り, 拡散族 MDM は分布を誘導する一方, DDPM は分布外次元の制約を一般化する。

関連論文リスト

• MMaDA: Multimodal Large Diffusion Language Models [47.043301822171195]
  マルチモーダル拡散基礎モデルの新たなクラスであるMMaDAを紹介する。 テキスト推論、マルチモーダル理解、テキスト・ツー・イメージ生成など、さまざまな領域で優れたパフォーマンスを実現するように設計されている。
  論文  参考訳（メタデータ） (2025-05-21T17:59:05Z)
• Deep Discrete Encoders: Identifiable Deep Generative Models for Rich Data with Discrete Latent Layers [13.545948734057268]
  本稿では,離散遅延層を持つリッチデータ型に対する解釈可能な深層生成モデリングフレームワークを提案する。 DDEを階層的なトピックモデリング、画像表現学習、教育試験における応答時間モデリングの3つの多様な実データに適用し、解釈可能な結果を得る。
  論文  参考訳（メタデータ） (2025-01-02T18:56:23Z)
• Steering Masked Discrete Diffusion Models via Discrete Denoising Posterior Prediction [88.65168366064061]
  本稿では,確率論的推論の課題として,事前学習したMDMを操る作業を行う新しいフレームワークであるDDPPを紹介する。 私たちのフレームワークは、3つの新しい目標のファミリーにつながります。 Wet-lab Validation(ウェット・ラブ・バリデーション)を用いて,報酬最適化タンパク質配列の過渡的発現を観察する。
  論文  参考訳（メタデータ） (2024-10-10T17:18:30Z)
• Diffusion Model for Data-Driven Black-Box Optimization [54.25693582870226]
  我々は、強力な生成AI技術である拡散モデルに注目し、ブラックボックス最適化の可能性について検討する。 本研究では,1)実数値報酬関数のノイズ測定と,2)対比較に基づく人間の嗜好の2種類のラベルについて検討する。 提案手法は,設計最適化問題を条件付きサンプリング問題に再構成し,拡散モデルのパワーを有効活用する。
  論文  参考訳（メタデータ） (2024-03-20T00:41:12Z)
• Unified Generation, Reconstruction, and Representation: Generalized Diffusion with Adaptive Latent Encoding-Decoding [90.77521413857448]
  深層生成モデルは,3つのコア機能 – 新たなインスタンスの生成,入力の再構築,コンパクト表現の学習 – に固定されている。 一般化逆変換拡散確率モデル(EDDPM)を導入する。 EDDPMはパラメタライズされた符号化復号を導入することで標準拡散におけるガウス雑音化を一般化する。 テキスト、タンパク質、画像の実験は、多様なデータやタスクを扱う柔軟性を示している。
  論文  参考訳（メタデータ） (2024-02-29T10:08:57Z)
• A Generative Approach for Production-Aware Industrial Network Traffic Modeling [70.46446906513677]
  ドイツにあるTrumpf工場に配備されたレーザー切断機から発生するネットワークトラフィックデータについて検討した。 我々は、トラフィック統計を分析し、マシンの内部状態間の依存関係をキャプチャし、ネットワークトラフィックを生産状態依存プロセスとしてモデル化する。 可変オートエンコーダ(VAE)、条件付き可変オートエンコーダ(CVAE)、生成逆ネットワーク(GAN)など、様々な生成モデルの性能の比較を行った。
  論文  参考訳（メタデータ） (2022-11-11T09:46:58Z)
• Deep Variational Models for Collaborative Filtering-based Recommender Systems [63.995130144110156]
  ディープラーニングは、リコメンダシステムの結果を改善するために、正確な協調フィルタリングモデルを提供する。 提案するモデルは, 深層建築の潜伏空間において, 変分概念を注入性に適用する。 提案手法は, 入射雑音効果を超える変動エンリッチメントのシナリオにおいて, 提案手法の優位性を示す。
  論文  参考訳（メタデータ） (2021-07-27T08:59:39Z)
• Deep Autoencoding Topic Model with Scalable Hybrid Bayesian Inference [55.35176938713946]
  我々は、ガンマ分布の階層構造を用いて、その多確率層生成ネットワークを構築するディープ・オートエンコーディング・トピック・モデル(DATM)を開発した。 Weibull上向き変分エンコーダを提案する。このエンコーダは深層ニューラルネットワークを介して情報を上向きに伝播し,次いで下向き生成モデルを提案する。 大規模コーパス上での教師なしおよび教師なしの学習タスクにおいて,モデルの有効性とスケーラビリティを実証した。
  論文  参考訳（メタデータ） (2020-06-15T22:22:56Z)

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。