論文の概要: Efficiency-Aware Computational Intelligence for Resource-Constrained Manufacturing Toward Edge-Ready Deployment

• arxiv url: http://arxiv.org/abs/2512.09319v1
• Date: Wed, 10 Dec 2025 05:08:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-11 15:14:53.398962
• Title: Efficiency-Aware Computational Intelligence for Resource-Constrained Manufacturing Toward Edge-Ready Deployment
• Title（参考訳）: エッジ対応展開に向けた資源制約生産のための効率性を考慮した計算知能
• Authors: Qianyu Zhou,
• Abstract要約: 産業用サイバー物理システムは、異質なセンシング、ダイナミクス、シフトプロセス条件の下で機能する。 エッジデバイスはレイテンシ、帯域幅、エネルギの厳しい制限に直面している。 これらの課題に動機づけられたこの論文は、データリーン、物理認識、デプロイ可能なインテリジェンスを可能にする、効率的な基盤となる計算フレームワークを開発する。
• 参考スコア（独自算出の注目度）: 8.383160350994816
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Industrial cyber physical systems operate under heterogeneous sensing, stochastic dynamics, and shifting process conditions, producing data that are often incomplete, unlabeled, imbalanced, and domain shifted. High-fidelity datasets remain costly, confidential, and slow to obtain, while edge devices face strict limits on latency, bandwidth, and energy. These factors restrict the practicality of centralized deep learning, hinder the development of reliable digital twins, and increase the risk of error escape in safety-critical applications. Motivated by these challenges, this dissertation develops an efficiency grounded computational framework that enables data lean, physics-aware, and deployment ready intelligence for modern manufacturing environments. The research advances methods that collectively address core bottlenecks across multimodal and multiscale industrial scenarios. Generative strategies mitigate data scarcity and imbalance, while semi-supervised learning integrates unlabeled information to reduce annotation and simulation demands. Physics-informed representation learning strengthens interpretability and improves condition monitoring under small-data regimes. Spatially aware graph-based surrogate modeling provides efficient approximation of complex processes, and an edge cloud collaborative compression scheme supports real-time signal analytics under resource constraints. The dissertation also extends visual understanding through zero-shot vision language reasoning augmented by domain specific retrieval, enabling generalizable assessment in previously unseen scenarios. Together, these developments establish a unified paradigm of data efficient and resource aware intelligence that bridges laboratory learning with industrial deployment, supporting reliable decision-making across diverse manufacturing systems.
• Abstract（参考訳）: 産業用サイバー物理システムは、不均一なセンシング、確率力学、シフトするプロセス条件の下で動作し、不完全、ラベルなし、不均衡、ドメインシフトなどのデータを生成する。 エッジデバイスはレイテンシ、帯域幅、エネルギの厳しい制限に直面している。 これらの要因は、中央集権的な深層学習の実践性を制限し、信頼性の高いデジタル双生児の発達を阻害し、安全クリティカルな応用におけるエラー回避のリスクを増大させる。 これらの課題に動機づけられたこの論文は、現代の製造環境において、データリーン、物理認識、デプロイ可能なインテリジェンスを可能にする、効率的な基盤となる計算フレームワークを開発する。 この研究は、マルチモーダルおよびマルチスケールの産業シナリオにおけるコアボトルネックに一括して対処する手法を進歩させる。 生成戦略はデータの不足と不均衡を軽減する一方、半教師付き学習はラベルのない情報を統合してアノテーションとシミュレーションの要求を減らす。 物理インフォームド表現学習は解釈可能性を高め、小さなデータ体制下での状態監視を改善する。 空間的に認識されたグラフベースの代理モデリングは、複雑なプロセスの効率的な近似を提供し、エッジクラウド協調圧縮スキームはリソース制約下でリアルタイム信号解析をサポートする。 この論文は、ドメイン固有検索によって強化されたゼロショット視覚言語推論による視覚的理解も拡張し、これまで見つからなかったシナリオでの一般化可能な評価を可能にした。 これらの開発は、実験室での学習と産業展開を橋渡しし、様々な製造システムにおける信頼性の高い意思決定を支援する、データ効率とリソース対応知能の統一パラダイムを確立している。

関連論文リスト

• From Physics to Machine Learning and Back: Part II - Learning and Observational Bias in PHM [52.64097278841485]
  物理インフォームドモデリングとデータストラテジーによる学習と観察バイアスの導入は、モデルを物理的に一貫した信頼性のある予測へと導くことができるかを検討する。 メタラーニングや少数ショットラーニングなどの高速適応手法をドメイン一般化手法とともに検討する。
  論文  参考訳（メタデータ） (2025-09-25T14:15:43Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• SCENT: Robust Spatiotemporal Learning for Continuous Scientific Data via Scalable Conditioned Neural Fields [11.872753517172555]
  SCENTは、スケーラブルで連続性に富んだモデリング学習のための新しいフレームワークである。 SCENTは単一のアーキテクチャ内で表現、再構築、予測を統一する。 我々はSCENTを広範囲なシミュレーションと実世界の実験により検証し、最先端の性能を実証した。
  論文  参考訳（メタデータ） (2025-04-16T17:17:31Z)
• MISS: Memory-efficient Instance Segmentation Framework By Visual Inductive Priors Flow Propagation [8.727456619750983]
  トレーニングデータセットへの視覚的事前の戦略的統合は、テストデータ分布との整合性を高める潜在的なソリューションとして現れます。 MISSの有効性を実証的に評価し、限られたデータ可用性とメモリ制約を特徴とするシナリオにおいて、賞賛可能な性能を示す。
  論文  参考訳（メタデータ） (2024-03-18T08:52:23Z)
• Collectionless Artificial Intelligence [24.17437378498419]
  本稿は,新しい学習プロトコルを考える上で,その時が来たという立場を維持している。 機械は、環境相互作用を中心とした真に人間的な文脈で認知スキルを征服する。
  論文  参考訳（メタデータ） (2023-09-13T13:20:17Z)
• 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)
• Robust, Deep, and Reinforcement Learning for Management of Communication and Power Networks [6.09170287691728]
  本論文は、まず、分散不確実性や逆データに対して汎用機械学習モデルを堅牢にするための原則的手法を開発する。 次に、この堅牢なフレームワークの上に構築し、グラフメソッドによる堅牢な半教師付き学習を設計します。 この論文の第2部は、次世代の有線および無線ネットワークの可能性を完全に解き放つことを意図している。
  論文  参考訳（メタデータ） (2022-02-08T05:49:06Z)

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。