論文の概要: Integrating Wide and Deep Neural Networks with Squeeze-and-Excitation Blocks for Multi-Target Property Prediction in Additively Manufactured Fiber Reinforced Composites

• arxiv url: http://arxiv.org/abs/2512.22397v1
• Date: Fri, 26 Dec 2025 22:27:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:30.030302
• Title: Integrating Wide and Deep Neural Networks with Squeeze-and-Excitation Blocks for Multi-Target Property Prediction in Additively Manufactured Fiber Reinforced Composites
• Title（参考訳）: 付加製造繊維強化複合材料の多ターゲット特性予測のための広帯域・深部ニューラルネットワークとスクイーズ・アンド・励起ブロックの統合
• Authors: Behzad Parvaresh, Rahmat K. Adesunkanmi, Adel Alaeddini,
• Abstract要約: 添加物製造(CFRC-AM)により製造された連続繊維強化複合材料は、強度の高い軽量材料を印刷する機会を提供する。 我々は、ラテンハイパーキューブサンプリング(LHS)誘導実験と、圧縮励起広深部ニューラルネットワーク(SE-WDNN)を統合した、データ効率、マルチインプット、マルチターゲット学習手法を導入する。 本モデルでは, ベースラインワイド, ディープニューラルネットワークを対象変数として, 統計的に有意な改善が得られた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continuous fiber-reinforced composite manufactured by additive manufacturing (CFRC-AM) offers opportunities for printing lightweight materials with high specific strength. However, their performance is sensitive to the interaction of process and material parameters, making exhaustive experimental testing impractical. In this study, we introduce a data-efficient, multi-input, multi-target learning approach that integrates Latin Hypercube Sampling (LHS)-guided experimentation with a squeeze-and-excitation wide and deep neural network (SE-WDNN) to jointly predict multiple mechanical and manufacturing properties of CFRC-AMs based on different manufacturing parameters. We printed and tested 155 specimens selected from a design space of 4,320 combinations using a Markforged Mark Two 3D printer. The processed data formed the input-output set for our proposed model. We compared the results with those from commonly used machine learning models, including feedforward neural networks, Kolmogorov-Arnold networks, XGBoost, CatBoost, and random forests. Our model achieved the lowest overall test error (MAPE = 12.33%) and showed statistically significant improvements over the baseline wide and deep neural network for several target variables (paired t-tests, p <= 0.05). SHapley Additive exPlanations (SHAP) analysis revealed that reinforcement strategy was the major influence on mechanical performance. Overall, this study demonstrates that the integration of LHS and SE-WDNN enables interpretable and sample-efficient multi-target predictions, guiding parameter selection in CFRC-AM with a balance between mechanical behavior and manufacturing metrics.
• Abstract（参考訳）: 添加物製造(CFRC-AM)により製造された連続繊維強化複合材料は、強度の高い軽量材料を印刷する機会を提供する。 しかし、それらの性能はプロセスパラメータと材料パラメータの相互作用に敏感であり、徹底的な実験は実行不可能である。 本研究では,ラテンハイパーキューブサンプリング(LHS)誘導実験と圧縮励起広深部ニューラルネットワーク(SE-WDNN)を組み合わせたデータ効率・マルチインプット・マルチターゲット学習手法を導入し,製造パラメータの異なるCFRC-AMの複数の機械的および製造特性を共同で予測する。 我々はMarkforged Mark Two 3Dプリンターを用いて,デザインスペース4,320の組み合わせから選択した155個の標本を印刷・試験した。 処理したデータは,提案したモデルに対して入力出力セットを形成した。 我々は、フィードフォワードニューラルネットワーク、Kolmogorov-Arnoldネットワーク、XGBoost、CatBoost、ランダムフォレストなど、一般的な機械学習モデルと比較した。 対象変数(t-tests, p <= 0.05)に対するベースラインワイド, ディープニューラルネットワークに対して, 統計的に有意な改善が認められた。 shapley Additive exPlanations (SHAP) 解析の結果, 強化戦略が機械的性能に大きな影響を及ぼした。 本研究は, LHSとSE-WDNNの統合により, CFRC-AMにおけるパラメータ選択を機械的挙動と製造指標のバランスで導出し, 解釈可能な, かつ, サンプル効率のよいマルチターゲット予測が可能であることを実証した。

関連論文リスト

• Parameter Expanded Stochastic Gradient Markov Chain Monte Carlo [32.46884330460211]
  グラディエント・マルコフ・チェイン・モンテカルロにおけるサンプルの多様性を高めるための単純かつ効果的な手法を提案する。 このアプローチはより多様なサンプルセットを生成し、同じ計算予算内でより高速な混合を可能にする。 OODのロバスト性,多様性,損失面の解析,ハミルトン・モンテカルロとの比較などの画像分類に関する実験は,提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2025-03-02T02:42:50Z)
• Incorporating Arbitrary Matrix Group Equivariance into KANs [69.30866522377694]
  Kolmogorov-Arnold Networks (KAN) は科学分野で大きな成功を収めている。 本研究では,Equivariant Kolmogorov-Arnold Networks (EKAN)を提案する。
  論文  参考訳（メタデータ） (2024-10-01T06:34:58Z)
• Kolmogorov-Arnold Networks in Low-Data Regimes: A Comparative Study with Multilayer Perceptrons [2.77390041716769]
  Kolmogorov-Arnold Networks (KAN) は、ネットワークエッジ上で直接、高度に柔軟な学習可能なアクティベーション関数を使用する。 kanは学習可能なパラメータの数を大幅に増加させ、データスカース環境での有効性に対する懸念を高めます。 個別化活性化関数はパラメータの緩やかな増加だけで予測精度が大幅に向上することを示す。
  論文  参考訳（メタデータ） (2024-09-16T16:56:08Z)
• On Machine Learning Approaches for Protein-Ligand Binding Affinity Prediction [2.874893537471256]
  本研究では,タンパク質-リガンド結合親和性予測における古典的木モデルと高度なニューラルネットワークの性能を評価する。 2次元モデルと3次元モデルを組み合わせることで、現在の最先端のアプローチを超えて、アクティブな学習結果が向上することを示す。
  論文  参考訳（メタデータ） (2024-07-15T13:06:00Z)
• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Stochastic Configuration Machines for Industrial Artificial Intelligence [4.57421617811378]
  産業人工知能(IAI)におけるコンフィグレーションネットワーク(SCN)の役割 本稿では、効率的なモデリングとデータサイズ削減を強調するために、SCMと呼ばれる新しいランダム化学習モデルを提案する。 いくつかのベンチマークデータセットと3つの産業応用に関する実験的研究が行われている。
  論文  参考訳（メタデータ） (2023-08-25T05:52:41Z)
• Batch-Ensemble Stochastic Neural Networks for Out-of-Distribution Detection [55.028065567756066]
  Out-of-Distribution(OOD)検出は、機械学習モデルを現実世界のアプリケーションにデプロイすることの重要性から、マシンラーニングコミュニティから注目を集めている。 本稿では,特徴量の分布をモデル化した不確実な定量化手法を提案する。 バッチアンサンブルニューラルネットワーク(BE-SNN)の構築と機能崩壊問題の克服を目的として,効率的なアンサンブル機構,すなわちバッチアンサンブルを組み込んだ。 We show that BE-SNNs yield superior performance on the Two-Moons dataset, the FashionMNIST vs MNIST dataset, FashionM。
  論文  参考訳（メタデータ） (2022-06-26T16:00:22Z)
• Sparse MoEs meet Efficient Ensembles [49.313497379189315]
  このようなモデルの2つの一般的なクラス、すなわちニューラルネットワークのアンサンブルと専門家のスパースミックス(スパースMoE)の相互作用について研究する。 Efficient Ensemble of Experts (E$3$)は、両モデルのクラスを最大限に活用するスケーラブルでシンプルなMoEのアンサンブルであり、深いアンサンブルよりも最大45%少ないFLOPを使用する。
  論文  参考訳（メタデータ） (2021-10-07T11:58:35Z)
• Quaternion Factorization Machines: A Lightweight Solution to Intricate Feature Interaction Modelling [76.89779231460193]
  factorization machine(fm)は、機能間の高次インタラクションを自動的に学習し、手動の機能エンジニアリングを必要とせずに予測を行うことができる。 本研究では,スパース予測解析のためのQFM(Quaternion factorization Machine)とQNFM(Quaternion neural factorization Machine)を提案する。
  論文  参考訳（メタデータ） (2021-04-05T00:02:36Z)
• Ensembles of Spiking Neural Networks [0.3007949058551534]
  本稿では,最先端の結果を生み出すスパイクニューラルネットワークのアンサンブルを構築する方法について述べる。 MNIST, NMNIST, DVS Gestureデータセットの分類精度は98.71%, 100.0%, 99.09%である。 我々は、スパイキングニューラルネットワークをGLM予測器として形式化し、ターゲットドメインに適した表現を識別する。
  論文  参考訳（メタデータ） (2020-10-15T17:45:18Z)

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。