論文の概要: Teacher-Student Guided Inverse Modeling for Steel Final Hardness Estimation

• arxiv url: http://arxiv.org/abs/2510.05402v1
• Date: Mon, 06 Oct 2025 21:50:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-08 17:57:08.001791
• Title: Teacher-Student Guided Inverse Modeling for Steel Final Hardness Estimation
• Title（参考訳）: 鋼材の最終硬さ推定のための教師指導型逆モデリング
• Authors: Ahmad Alsheikh, Andreas Fischer,
• Abstract要約: 熱処理後の鋼の最終硬さの予測は困難である。 本稿では,教師学習フレームワークを用いた新しい学習手法を提案する。
• 参考スコア（独自算出の注目度）: 0.4337994560632144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Predicting the final hardness of steel after heat treatment is a challenging regression task due to the many-to-one nature of the process -- different combinations of input parameters (such as temperature, duration, and chemical composition) can result in the same hardness value. This ambiguity makes the inverse problem, estimating input parameters from a desired hardness, particularly difficult. In this work, we propose a novel solution using a Teacher-Student learning framework. First, a forward model (Teacher) is trained to predict final hardness from 13 metallurgical input features. Then, a backward model (Student) is trained to infer plausible input configurations from a target hardness value. The Student is optimized by leveraging feedback from the Teacher in an iterative, supervised loop. We evaluate our method on a publicly available tempered steel dataset and compare it against baseline regression and reinforcement learning models. Results show that our Teacher-Student framework not only achieves higher inverse prediction accuracy but also requires significantly less computational time, demonstrating its effectiveness and efficiency for inverse process modeling in materials science.
• Abstract（参考訳）: 熱処理後の鋼の最終硬さを予測することは、プロセスの多対一の性質のため困難な回帰作業であり、入力パラメータ(温度、持続時間、化学組成など)の異なる組み合わせは、同じ硬さ値をもたらす。 この曖昧さは、入力パラメータを所望の硬さから推定し、特に困難である。 本研究では,教師学習フレームワークを用いた新しい学習手法を提案する。 まず、フォワードモデル(Teacher)をトレーニングし、13個のメタラル入力特徴から最終硬度を予測する。 そして、後方モデル(Student)を訓練し、目標硬度値から可塑性入力構成を推定する。 学生は教師からのフィードバックを反復的で教師付きループで活用することで最適化される。 本手法は, 市販の鉄筋コンクリート製データセットを用いて評価し, ベースライン回帰モデルと強化学習モデルとの比較を行った。 その結果,本フレームワークは逆予測精度を向上するだけでなく,計算時間を大幅に削減し,材料科学における逆プロセスモデリングの有効性と効率性を示した。

関連論文リスト

• Enhancing LLM Reasoning via Critique Models with Test-Time and Training-Time Supervision [120.40788744292739]
  本稿では、推論と批判モデルの役割を分離する2人プレイヤパラダイムを提案する。 まず、批判データを収集する自動化およびスケーラブルなフレームワークであるAutoMathCritiqueを提案する。 テスト時間における難解なクエリに対するアクターのパフォーマンスを,批判モデルが一貫して改善することが実証された。
  論文  参考訳（メタデータ） (2024-11-25T17:11:54Z)
• HomoDistil: Homotopic Task-Agnostic Distillation of Pre-trained Transformers [49.79405257763856]
  本稿では,タスク非依存蒸留に焦点をあてる。 これは、計算コストとメモリフットプリントを小さくして、様々なタスクで簡単に微調整できるコンパクトな事前訓練モデルを生成する。 本稿では, 反復刈り込みによる新規なタスク非依存蒸留法であるHomotopic Distillation (HomoDistil)を提案する。
  論文  参考訳（メタデータ） (2023-02-19T17:37:24Z)
• Online learning techniques for prediction of temporal tabular datasets with regime changes [0.0]
  時間パネルデータセットの予測をランキングするモジュール型機械学習パイプラインを提案する。 パイプラインのモジュラリティにより、GBDT(Gradient Boosting Decision Tree)やニューラルネットワークなど、さまざまなモデルの使用が可能になる。 モデルの再トレーニングを必要としないオンライン学習技術は、予測後の結果を高めるために使用することができる。
  論文  参考訳（メタデータ） (2022-12-30T17:19:00Z)
• Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
  我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。 画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
  論文  参考訳（メタデータ） (2022-09-30T02:25:12Z)
• Training Discrete Deep Generative Models via Gapped Straight-Through Estimator [72.71398034617607]
  再サンプリングのオーバーヘッドを伴わずに分散を低減するため, GST (Gapped Straight-Through) 推定器を提案する。 この推定子は、Straight-Through Gumbel-Softmaxの本質的な性質に着想を得たものである。 実験により,提案したGST推定器は,2つの離散的な深部生成モデリングタスクの強いベースラインと比較して,優れた性能を享受できることが示された。
  論文  参考訳（メタデータ） (2022-06-15T01:46:05Z)
• Goal-directed Generation of Discrete Structures with Conditional Generative Models [85.51463588099556]
  本稿では,強化学習目標を直接最適化し,期待される報酬を最大化するための新しいアプローチを提案する。 提案手法は、ユーザ定義プロパティを持つ分子の生成と、所定の目標値を評価する短いピソン表現の同定という2つのタスクで検証する。
  論文  参考訳（メタデータ） (2020-10-05T20:03:13Z)
• Matching Guided Distillation [11.499838489987624]
  特徴蒸留はより小型の学生モデルの性能向上に有効な方法である。 教師と学生の中間的特徴の間には意味的特徴構造にギャップがある。 これらの問題を解決するために, MGD (Matching Guided Distillation) を効率的かつパラメータフリーな方法として提示する。
  論文  参考訳（メタデータ） (2020-08-23T04:57:31Z)
• Data-Efficient Ranking Distillation for Image Retrieval [15.88955427198763]
  近年のアプローチでは、より深く重いアーキテクチャからより小さなネットワークへ知識を伝達するために、知識蒸留を用いてこの問題に対処している。 本稿では,計量学習問題に対する知識蒸留について述べる。 従来の手法とは違って,提案手法では,教師モデルに対する限定的なクエリ,最終出力表現へのアクセスを伴うブラックボックス教師モデル,および第3に,基本トラストラベルのないオリジナルトレーニングデータのごく一部に対処する。
  論文  参考訳（メタデータ） (2020-07-10T10:59:16Z)
• Deep transformation models: Tackling complex regression problems with neural network based transformation models [0.0]
  確率回帰のための深層変換モデルを提案する。 これは、結果の不確実性を捉える最も徹底的な方法である条件付き確率分布全体を推定する。 本手法は複雑な入力データに対して有効であり,画像データにCNNアーキテクチャを適用して実演する。
  論文  参考訳（メタデータ） (2020-04-01T14:23:12Z)

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。