論文の概要: Out of Distribution Detection for Efficient Continual Learning in Quality Prediction for Arc Welding

• arxiv url: http://arxiv.org/abs/2508.16832v1
• Date: Fri, 22 Aug 2025 23:09:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.197996
• Title: Out of Distribution Detection for Efficient Continual Learning in Quality Prediction for Arc Welding
• Title（参考訳）: アーク溶接の品質予測における効率的な連続学習のための分布検出の実際
• Authors: Yannik Hahn, Jan Voets, Antonin Koenigsfeld, Hasan Tercan, Tobias Meisen,
• Abstract要約: 現代の製造は、ガス金属アーク溶接(GMAW)を含む核融合溶接プロセスに大きく依存している。 現在のモデルでは、動的製造環境において発生する固有の分布シフトに直面すると、限界が示される。 我々は,VQ-VAEトランスフォーマーアーキテクチャを拡張し,その自己回帰損失を信頼性のあるアウト・オブ・ディストリビューション(OOD)検出機構として活用する。
• 参考スコア（独自算出の注目度）: 10.828273858204431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern manufacturing relies heavily on fusion welding processes, including gas metal arc welding (GMAW). Despite significant advances in machine learning-based quality prediction, current models exhibit critical limitations when confronted with the inherent distribution shifts that occur in dynamic manufacturing environments. In this work, we extend the VQ-VAE Transformer architecture - previously demonstrating state-of-the-art performance in weld quality prediction - by leveraging its autoregressive loss as a reliable out-of-distribution (OOD) detection mechanism. Our approach exhibits superior performance compared to conventional reconstruction methods, embedding error-based techniques, and other established baselines. By integrating OOD detection with continual learning strategies, we optimize model adaptation, triggering updates only when necessary and thereby minimizing costly labeling requirements. We introduce a novel quantitative metric that simultaneously evaluates OOD detection capability while interpreting in-distribution performance. Experimental validation in real-world welding scenarios demonstrates that our framework effectively maintains robust quality prediction capabilities across significant distribution shifts, addressing critical challenges in dynamic manufacturing environments where process parameters frequently change. This research makes a substantial contribution to applied artificial intelligence by providing an explainable and at the same time adaptive solution for quality assurance in dynamic manufacturing processes - a crucial step towards robust, practical AI systems in the industrial environment.
• Abstract（参考訳）: 現代の製造は、ガス金属アーク溶接(GMAW)を含む核融合溶接プロセスに大きく依存している。 機械学習に基づく品質予測の大幅な進歩にもかかわらず、現在のモデルでは、動的製造環境で発生する固有の分布シフトに直面する場合、重大な制限が示される。 本研究では,VQ-VAEトランスフォーマーアーキテクチャを拡張し,その自己回帰損失を信頼性の高いアウト・オブ・ディストリビューション(OOD)検出機構として活用する。 提案手法は,従来の再構成手法や組込み誤差に基づく手法,その他確立されたベースラインと比較して,優れた性能を示す。 OOD検出を連続学習戦略に統合することにより、モデル適応を最適化し、必要に応じて更新をトリガーし、コストのかかるラベル付け要求を最小化する。 我々は,OOD検出能力を同時に評価し,分配性能を解釈する新しい定量的指標を提案する。 実世界の溶接シナリオにおける実験的な検証は,プロセスパラメータが頻繁に変化する動的製造環境における重要な課題に対処するため,我々のフレームワークが重要な分散シフトに対して,堅牢な品質予測能力を効果的に維持していることを示す。 この研究は、産業環境における堅牢で実用的なAIシステムへの重要なステップである、動的製造プロセスの品質保証のための説明可能かつ同時に適応的なソリューションを提供することによって、応用人工知能にかなりの貢献をする。

関連論文リスト

• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• 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)
• Adaptive Data Quality Scoring Operations Framework using Drift-Aware Mechanism for Industrial Applications [0.0]
  本稿では,産業データストリームの動的品質次元がもたらす課題に対処する新しい枠組みを提案する。 このフレームワークは動的変更検出機構を統合し、データ品質の変化を積極的に監視し、適応する。 実験結果は、予測性能と効率的な処理時間を示し、実用的な品質駆動型AIアプリケーションにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2024-08-13T08:32:06Z)
• Sparse Attention-driven Quality Prediction for Production Process Optimization in Digital Twins [53.70191138561039]
  データ駆動方式で運用ロジックを符号化することで,生産ラインのディジタルツインをデプロイすることを提案する。 我々は,自己注意型時間畳み込みニューラルネットワークに基づく生産プロセスの品質予測モデルを採用する。 本手法は,本手法により,仮想及び実生産ライン間のシームレスな統合を促進できることを示す。
  論文  参考訳（メタデータ） (2024-05-20T09:28:23Z)
• QualEval: Qualitative Evaluation for Model Improvement [82.73561470966658]
  モデル改善のための手段として,自動定性評価による定量的スカラー指標を付加するQualEvalを提案する。 QualEvalは強力なLCM推論器と新しいフレキシブルリニアプログラミングソルバを使用して、人間の読みやすい洞察を生成する。 例えば、その洞察を活用することで、Llama 2モデルの絶対性能が最大15%向上することを示す。
  論文  参考訳（メタデータ） (2023-11-06T00:21:44Z)
• Towards a Deep Learning-based Online Quality Prediction System for Welding Processes [4.923235962860045]
  溶接プロセスは, 材料特性, プロセス条件, 溶接品質の複雑な原因-効果関係を特徴とする。 ディープラーニングは、利用可能なプロセスデータ内の関係を特定し、プロセス観察から溶接品質を予測する能力を提供する。 本稿では,GMAWにおけるディープラーニングに基づく予測品質システムの概念を提案する。
  論文  参考訳（メタデータ） (2023-10-19T10:35:50Z)
• AttNS: Attention-Inspired Numerical Solving For Limited Data Scenarios [51.94807626839365]
  限定データによる微分方程式の解法として,注目型数値解法(AttNS)を提案する。 AttNSは、モデル一般化とロバスト性の向上におけるResidual Neural Networks(ResNet)のアテンションモジュールの効果にインスパイアされている。
  論文  参考訳（メタデータ） (2023-02-05T01:39:21Z)
• 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。