論文の概要: Multi-Task Deep Learning for Surface Metrology

• arxiv url: http://arxiv.org/abs/2510.20339v1
• Date: Thu, 23 Oct 2025 08:38:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:17.625152
• Title: Multi-Task Deep Learning for Surface Metrology
• Title（参考訳）: 表面トモロジーのためのマルチタスク深層学習
• Authors: D. Kucharski, A. Gaska, T. Kowaluk, K. Stepien, M. Repalska, B. Gapinski, M. Wieczorowski, M. Nawotka, P. Sobecki, P. Sosinowski, J. Tomasik, A. Wojtowicz,
• Abstract要約: 表面テクスチャパラメータを予測するために,再現可能な深層学習フレームワークを提案する。 不確実性は、量子的およびヘテロセダスティックなヘッドによってモデル化され、ポストホック共形キャリブレーションにより、キャリブレーションされた間隔が生成される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A reproducible deep learning framework is presented for surface metrology to predict surface texture parameters together with their reported standard uncertainties. Using a multi-instrument dataset spanning tactile and optical systems, measurement system type classification is addressed alongside coordinated regression of Ra, Rz, RONt and their uncertainty targets (Ra_uncert, Rz_uncert, RONt_uncert). Uncertainty is modelled via quantile and heteroscedastic heads with post-hoc conformal calibration to yield calibrated intervals. On a held-out set, high fidelity was achieved by single-target regressors (R2: Ra 0.9824, Rz 0.9847, RONt 0.9918), with two uncertainty targets also well modelled (Ra_uncert 0.9899, Rz_uncert 0.9955); RONt_uncert remained difficult (R2 0.4934). The classifier reached 92.85% accuracy and probability calibration was essentially unchanged after temperature scaling (ECE 0.00504 -> 0.00503 on the test split). Negative transfer was observed for naive multi-output trunks, with single-target models performing better. These results provide calibrated predictions suitable to inform instrument selection and acceptance decisions in metrological workflows.
• Abstract（参考訳）: 表面テクスチャパラメータの予測のための再現可能な深層学習フレームワークを, 報告された標準不確実性とともに提示する。 触覚と光学系にまたがる多施設データセットを用いて、Ra, Rz, RONtとその不確実性目標(Ra_uncert, Rz_uncert, RONt_uncert)の協調回帰とともに、測定系型分類に対処する。 不確実性は、量子的およびヘテロセダスティックなヘッドによってモデル化され、ポストホック共形キャリブレーションにより、キャリブレーションされた間隔が生成される。 R2: Ra 0.9824, Rz 0.9847, RONt 0.9918)、R2: Ra_uncert 0.9899, Rz_uncert 0.9955)、ront_uncert(R2 0.4934)、R2: Ra 0.9824, Rz 0.9847, RONt 0.9918)、R2: Ra_uncert 0.9955(Ra_uncert 0.9899, Rz_uncert 0.9955)。 分類器は92.85%の精度に到達し、温度スケーリング後の確率校正は基本的に変化しなかった(ECE 0.00504 -> 0.00503)。 多出力トランクの負の移動が観察され,単一ターゲットモデルの性能が向上した。 これらの結果は,メソジカルワークフローにおいて,機器の選択と受理決定を通知するのに適した校正予測を提供する。

関連論文リスト

• Handling Extreme Class Imbalance: Using GANs in Data Augmentation for Suicide Prediction [0.0]
  十分な正のサンプルを持つ実データはまれであり、極端なクラス不均衡を引き起こす。 我々は機械学習(ML)を利用して、Geneversarative Adrial Networks(GAN)のようなモデルとディープラーニング(DL)技術を構築しました。 GANは自殺防止モデリングを支援するために合成データを生成する上で重要な役割を果たした。
  論文  参考訳（メタデータ） (2025-10-20T15:35:39Z)
• Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
  糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。 2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
  論文  参考訳（メタデータ） (2025-09-24T21:18:52Z)
• Enhanced Predictive Modeling for Hazardous Near-Earth Object Detection: A Comparative Analysis of Advanced Resampling Strategies and Machine Learning Algorithms in Planetary Risk Assessment [0.0]
  本研究では,二元分類フレームワークによる有害地球近傍天体(NEO)の予測のための機械学習モデルの性能評価を行った。 RFC と GBC はともに 0.987 と 0.896 の印象的な F2 スコアで最高の性能を発揮した。
  論文  参考訳（メタデータ） (2025-08-20T22:50:00Z)
• Differentiated Thyroid Cancer Recurrence Classification Using Machine Learning Models and Bayesian Neural Networks with Varying Priors: A SHAP-Based Interpretation of the Best Performing Model [0.0]
  甲状腺癌のDTC再発は主要な公衆衛生上の問題である。 本研究は, 383名の患者を対象としたデータセットを用いて, DTC再分類のための包括的枠組みを提案する。
  論文  参考訳（メタデータ） (2025-07-25T06:31:31Z)
• On the good reliability of an interval-based metric to validate prediction uncertainty for machine learning regression tasks [0.0]
  本研究では,不確実性の平均校正を予測するための(より)信頼性の高い検証手法を提案する。 不確実性や誤差分布の重みの存在に非常に敏感な分散ベースのキャリブレーション指標を考えると、間隔ベースの測度であるPICP(Prediction Interval Coverage Probability)へのシフトが提案される。 結果のPICPは、分散ベースのキャリブレーション指標よりも迅速かつ確実に検査される。
  論文  参考訳（メタデータ） (2024-08-23T14:16:10Z)
• Instant Uncertainty Calibration of NeRFs Using a Meta-calibrator [60.47106421809998]
  我々は,1つの前方パスを持つNeRFに対して不確実な校正を行うメタ校正器の概念を導入する。 メタキャリブレータは、見えないシーンを一般化し、NeRFの良好な校正と最先端の不確実性を実現できることを示す。
  論文  参考訳（メタデータ） (2023-12-04T21:29:31Z)
• Sample-dependent Adaptive Temperature Scaling for Improved Calibration [95.7477042886242]
  ニューラルネットワークの誤りを補うポストホックアプローチは、温度スケーリングを実行することだ。 入力毎に異なる温度値を予測し、信頼度と精度のミスマッチを調整することを提案する。 CIFAR10/100およびTiny-ImageNetデータセットを用いて,ResNet50およびWideResNet28-10アーキテクチャ上で本手法をテストする。
  論文  参考訳（メタデータ） (2022-07-13T14:13:49Z)
• ADT-SSL: Adaptive Dual-Threshold for Semi-Supervised Learning [68.53717108812297]
  Semi-Supervised Learning (SSL)は、ラベル付きデータとラベルなしデータを併用してモデルをトレーニングすることで、高度な分類タスクを実現している。 本稿では,半教師付き学習(ADT-SSL)のための適応的デュアル閾値法を提案する。 実験の結果,提案したADT-SSLは最先端の分類精度を実現することがわかった。
  論文  参考訳（メタデータ） (2022-05-21T11:52:08Z)
• Data Dependent Randomized Smoothing [127.34833801660233]
  データ依存フレームワークは、3つのランダムな平滑化アプローチにシームレスに組み込むことができます。 CIFAR10とImageNetで0.5の半径の最強ベースラインの認定精度よりも9%と6%の改善が得られています。
  論文  参考訳（メタデータ） (2020-12-08T10:53:11Z)
• Removing Spurious Features can Hurt Accuracy and Affect Groups Disproportionately [83.68135652247496]
  自然な修正は、モデルからスプリアスな特徴を取り除くことである。 誘導バイアスによる突発的特徴の除去は精度を低下させる可能性が示唆された。 また,ロバストな自己学習によって,全体的な正確性に影響を与えずにスプリアスな特徴を除去できることを示した。
  論文  参考訳（メタデータ） (2020-12-07T23:08:59Z)
• Machine learning for causal inference: on the use of cross-fit estimators [77.34726150561087]
  より優れた統計特性を得るために、二重ローバストなクロスフィット推定器が提案されている。 平均因果効果(ACE)に対する複数の推定器の性能評価のためのシミュレーション研究を行った。 機械学習で使用する場合、二重確率のクロスフィット推定器は、バイアス、分散、信頼区間のカバレッジで他のすべての推定器よりも大幅に優れていた。
  論文  参考訳（メタデータ） (2020-04-21T23:09:55Z)

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。