論文の概要: Regression generation adversarial network based on dual data evaluation strategy for industrial application

• arxiv url: http://arxiv.org/abs/2512.19232v1
• Date: Mon, 22 Dec 2025 10:14:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-23 18:54:32.70796
• Title: Regression generation adversarial network based on dual data evaluation strategy for industrial application
• Title（参考訳）: 産業応用のための二重データ評価戦略に基づく回帰生成敵ネットワーク
• Authors: Zesen Wang, Yonggang Li, Lijuan Lan,
• Abstract要約: 本稿では,識別器とジェネレータの両方に回帰情報を統合する学習ベース回帰GANフレームワークを提案する。 トレーニングサンプルと生成されたサンプルの重要性を考慮すると、GANがより多様なサンプルを生成するように、二重データ評価戦略が設計されている。 方法の優位性は, 廃水処理プラント, 表層水, 吸収塔, 産業用ガスタービンの4つの古典的産業用ソフトセンシング事例を通じて検証された。
• 参考スコア（独自算出の注目度）: 13.283980715705693
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Soft sensing infers hard-to-measure data through a large number of easily obtainable variables. However, in complex industrial scenarios, the issue of insufficient data volume persists, which diminishes the reliability of soft sensing. Generative Adversarial Networks (GAN) are one of the effective solutions for addressing insufficient samples. Nevertheless, traditional GAN fail to account for the mapping relationship between labels and features, which limits further performance improvement. Although some studies have proposed solutions, none have considered both performance and efficiency simultaneously. To address these problems, this paper proposes the multi-task learning-based regression GAN framework that integrates regression information into both the discriminator and generator, and implements a shallow sharing mechanism between the discriminator and regressor. This approach significantly enhances the quality of generated samples while improving the algorithm's operational efficiency. Moreover, considering the importance of training samples and generated samples, a dual data evaluation strategy is designed to make GAN generate more diverse samples, thereby increasing the generalization of subsequent modeling. The superiority of method is validated through four classic industrial soft sensing cases: wastewater treatment plants, surface water, $CO_2$ absorption towers, and industrial gas turbines.
• Abstract（参考訳）: ソフトセンシングは、多くの容易に取得可能な変数を通して、測定し難いデータを推測する。 しかし、複雑な産業シナリオでは、不十分なデータボリュームの問題が続き、ソフトセンシングの信頼性が低下する。 GAN(Generative Adversarial Networks)は、不十分なサンプルに対処する有効なソリューションの1つである。 しかしながら、従来のGANはラベルと機能間のマッピング関係を考慮せず、さらなるパフォーマンス向上を制限している。 いくつかの研究は解法を提案しているが、性能と効率を同時に検討する者はいない。 これらの問題に対処するため, 判別器とジェネレータの両方に回帰情報を統合したマルチタスク学習に基づく回帰GANフレームワークを提案し, 判別器と回帰器の浅い共有機構を実装した。 このアプローチは、アルゴリズムの操作効率を改善しながら、生成したサンプルの品質を大幅に向上させる。 さらに、トレーニングサンプルと生成されたサンプルの重要性を考慮すると、GANがより多様なサンプルを生成できるように、二重データ評価戦略が設計され、その後のモデリングの一般化が促進される。 方法の優位性は,廃水処理プラント,表層水,CO_2$吸収塔,産業用ガスタービンの4つの古典的産業用ソフトセンシング事例を通じて検証された。

関連論文リスト

• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Harmonizing Diverse Models: A Layer-wise Merging Strategy for Consistent Generation [8.340691940980834]
  LLM(Large Language Models)は、検索されたコンテキストに基づいて正確で信頼性の高い応答を生成する。 LLMはしばしば意味論的に等価な入力に対して一貫性のない出力を生成する。 本稿では, 体系的な合成データ生成, 組込み性向上のための三重項損失, レイヤワイドモデルマージ手法を組み合わせた新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-10-16T17:30:28Z)
• Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering [18.543769006014383]
  拡散モデルはしばしば、サンプリング軌跡に固有の変化のために、一貫性のないサンプル品質を示す。 CFG-リジェクション(CFG-Rejection)は,デノナイジングプロセスの初期段階において,低品質なサンプルをフィルタリングする効率的なプラグアンドプレイ戦略である。 画像生成におけるCFG-Rejectionの有効性を広範囲な実験により検証する。
  論文  参考訳（メタデータ） (2025-05-29T11:08:24Z)
• WasteGAN: Data Augmentation for Robotic Waste Sorting through Generative Adversarial Networks [7.775894876221921]
  ムダGANと呼ばれる新しいGANアーキテクチャに基づくデータ拡張手法を提案する。 提案手法は,ラベル付きサンプルのごく限られたセットから,セマンティックセグメンテーションモデルの性能を向上させることができる。 次に、ムダGAN合成データに基づいて訓練されたモデルから予測される高品質なセグメンテーションマスクを活用し、セグメンテーション・アウェア・グルーピング・ポーズを計算する。
  論文  参考訳（メタデータ） (2024-09-25T15:04:21Z)
• Learning Better with Less: Effective Augmentation for Sample-Efficient Visual Reinforcement Learning [57.83232242068982]
  データ拡張(DA)は、ビジュアル強化学習(RL)アルゴリズムのサンプル効率を高める重要な手法である。 サンプル効率のよい視覚的RLを実現する上で, DAのどの属性が有効かは明らかになっていない。 本研究は,DAの属性が有効性に与える影響を評価するための総合的な実験を行う。
  論文  参考訳（メタデータ） (2023-05-25T15:46:20Z)
• FakeCLR: Exploring Contrastive Learning for Solving Latent Discontinuity in Data-Efficient GANs [24.18718734850797]
  Data-Efficient GAN(DE-GAN)は、限られたトレーニングデータで生成モデルを学習することを目的としている。 対照的な学習は、DE-GANの合成品質を高める大きな可能性を示している。 偽のサンプルに対してのみ対照的な学習を行うFakeCLRを提案する。
  論文  参考訳（メタデータ） (2022-07-18T14:23:38Z)
• Deceive D: Adaptive Pseudo Augmentation for GAN Training with Limited Data [125.7135706352493]
  GAN(Generative Adversarial Network)は、高忠実度画像を合成するために、訓練に十分なデータを必要とする。 近年の研究では、差別者の過度な適合により、限られたデータでGANを訓練することは困難であることが示されている。 本稿では,APA (Adaptive Pseudo Augmentation) と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-11-12T18:13:45Z)
• Robust Optimal Transport with Applications in Generative Modeling and Domain Adaptation [120.69747175899421]
  ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。 本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。 提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-10-12T17:13:40Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。