論文の概要: Noise-Aware Optimization in Nominally Identical Manufacturing and Measuring Systems for High-Throughput Parallel Workflows

• arxiv url: http://arxiv.org/abs/2511.11739v1
• Date: Thu, 13 Nov 2025 10:34:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-18 14:36:23.197165
• Title: Noise-Aware Optimization in Nominally Identical Manufacturing and Measuring Systems for High-Throughput Parallel Workflows
• Title（参考訳）: 高出力並列ワークフローのための固有製造・測定システムにおけるノイズアウェア最適化
• Authors: Christina Schenk, Miguel Hernández-del-Valle, Luis Calero-Lumbreras, Marcus Noack, Maciej Haranczyk,
• Abstract要約: 実験ノイズにおけるデバイス間変動は、添加物製造ファームのようなシステムに重大な影響を及ぼす。 このコントリビューションは、可変性を管理するためにデバイス固有のノイズプロファイルを定量化し、モデル化するノイズ対応意思決定アルゴリズムを提供する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Device-to-device variability in experimental noise critically impacts reproducibility, especially in automated, high-throughput systems like additive manufacturing farms. While manageable in small labs, such variability can escalate into serious risks at larger scales, such as architectural 3D printing, where noise may cause structural or economic failures. This contribution presents a noise-aware decision-making algorithm that quantifies and models device-specific noise profiles to manage variability adaptively. It uses distributional analysis and pairwise divergence metrics with clustering to choose between single-device and robust multi-device Bayesian optimization strategies. Unlike conventional methods that assume homogeneous devices or generic robustness, this framework explicitly leverages inter-device differences to enhance performance, reproducibility, and efficiency. An experimental case study involving three nominally identical 3D printers (same brand, model, and close serial numbers) demonstrates reduced redundancy, lower resource usage, and improved reliability. Overall, this framework establishes a paradigm for precision- and resource-aware optimization in scalable, automated experimental platforms.
• Abstract（参考訳）: 実験ノイズにおけるデバイス間の可変性は、特に添加物製造農場のような自動化された高スループットシステムにおいて再現性に重大な影響を及ぼす。 小さな研究室では管理できるが、そのような変動は建築的な3Dプリンティングのような大規模で深刻なリスクへとエスカレートし、ノイズが構造的または経済的な失敗を引き起こす可能性がある。 このコントリビューションは、可変性を管理するためにデバイス固有のノイズプロファイルを定量化し、モデル化するノイズ対応意思決定アルゴリズムを提供する。 それは、単一デバイスと堅牢なマルチデバイスベイズ最適化戦略のどちらを選択するかを選択するために、クラスタリングを伴う分散分析とペアワイズ分散メトリクスを使用する。 均一デバイスや汎用ロバスト性を仮定する従来の手法とは異なり、このフレームワークはデバイス間の差異を明示的に活用して、性能、再現性、効率を向上させる。 3つの名目で同一の3Dプリンタ(サムブランド、モデル、クローズシリアルナンバー)による実験ケーススタディでは、冗長性の低減、リソース使用量の削減、信頼性の向上が示されている。 全体として、このフレームワークはスケーラブルで自動化された実験プラットフォームにおける精度とリソースを意識した最適化のパラダイムを確立します。

関連論文リスト

• Contrastive Knowledge Transfer and Robust Optimization for Secure Alignment of Large Language Models [9.353236468990945]
  本稿では,安全アライメントとロバストネスにおける大規模言語モデルの限界に対処する。 コントラスト蒸留とノイズロバストトレーニングを組み合わせた微調整法を提案する。 その結果,本手法は知識伝達,堅牢性,全体的な安全性において,既存のベースラインを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2025-10-31T00:54:33Z)
• Data-Efficient Quantum Noise Modeling via Machine Learning [0.3279176777295314]
  超伝導量子プロセッサのための正確なパラメータ化ノイズモデルを構築するための,データ効率のよい機械学習ベースのフレームワークを提案する。 本研究では,小規模回路のみに学習したモデルにより,大規模回路の動作を正確に予測できることを示す。
  論文  参考訳（メタデータ） (2025-09-16T10:30:28Z)
• A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
  本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。 工業画像から抽出した55個の特徴を統計的手法を用いて解析した。 これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
  論文  参考訳（メタデータ） (2024-12-11T22:12:21Z)
• Synergistic Development of Perovskite Memristors and Algorithms for Robust Analog Computing [53.77822620185878]
  本稿では,ペロブスカイト・メムリスタの製作を同時に最適化し,ロバストなアナログDNNを開発するための相乗的手法を提案する。 BO誘導ノイズインジェクションを利用したトレーニング戦略であるBayesMultiを開発した。 我々の統合されたアプローチは、より深くより広いネットワークでのアナログコンピューティングの使用を可能にし、最大100倍の改善を実現します。
  論文  参考訳（メタデータ） (2024-12-03T19:20:08Z)
• Improve Noise Tolerance of Robust Loss via Noise-Awareness [60.34670515595074]
  本稿では,NARL-Adjuster(NARL-Adjuster for brevity)と呼ばれる,ハイパーパラメータ予測関数を適応的に学習するメタラーニング手法を提案する。 4つのSOTAロバストな損失関数を我々のアルゴリズムに統合し,提案手法の一般性および性能をノイズ耐性と性能の両面で検証した。
  論文  参考訳（メタデータ） (2023-01-18T04:54:58Z)
• Fault Detection and Diagnosis with Imbalanced and Noisy Data: A Hybrid Framework for Rotating Machinery [2.580765958706854]
  回転機械製造システムの保守コスト低減には, 故障診断が重要な役割を担っている。 従来のフォールト検出および診断(FDD)フレームワークは、現実の状況に対処する際のパフォーマンスが劣っている。 本稿では、上記の3つのコンポーネントを用いて、効果的な信号ベースFDDシステムを実現するハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-02-09T01:09:59Z)
• Fast Distributionally Robust Learning with Variance Reduced Min-Max Optimization [85.84019017587477]
  分散的ロバストな教師付き学習は、現実世界のアプリケーションのための信頼性の高い機械学習システムを構築するための重要なパラダイムとして登場している。 Wasserstein DRSLを解くための既存のアルゴリズムは、複雑なサブプロブレムを解くか、勾配を利用するのに失敗する。 我々はmin-max最適化のレンズを通してwaserstein drslを再検討し、スケーラブルで効率的に実装可能な超勾配アルゴリズムを導出する。
  論文  参考訳（メタデータ） (2021-04-27T16:56:09Z)

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。