Fugu-MT 論文翻訳(概要): Energy-Efficient Prediction in Textile Manufacturing: Enhancing Accuracy and Data Efficiency With Ensemble Deep Transfer Learning

論文の概要: Energy-Efficient Prediction in Textile Manufacturing: Enhancing Accuracy and Data Efficiency With Ensemble Deep Transfer Learning

arxiv url: http://arxiv.org/abs/2601.12663v1
Date: Mon, 19 Jan 2026 02:22:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.73085
Title: Energy-Efficient Prediction in Textile Manufacturing: Enhancing Accuracy and Data Efficiency With Ensemble Deep Transfer Learning
Title（参考訳）: 繊維製造におけるエネルギー効率の予測:深層移動学習による精度とデータ効率の向上
Authors: Yan-Chen Chen, Wei-Yu Chiu, Qun-Yu Wang, Jing-Wei Chen, Hao-Ting Zhao,
Abstract要約: Ensemble Deep Transfer Learning (EDTL)は、予測精度とデータ効率を向上させる新しいフレームワークである。 EDTLはデータ豊富な生産ライン上でDNNモデルを事前トレーニングし、データ制限されたラインに適応することで、大規模なデータセットへの依存性を低減する。実世界の織物工場のデータセットの実験では、EDTLは予測精度を5.66%改善し、モデルの堅牢性を3.96%向上している。
参考スコア（独自算出の注目度）: 3.0996623259404927
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Traditional textile factories consume substantial energy, making energy-efficient production optimization crucial for sustainability and cost reduction. Meanwhile, deep neural networks (DNNs), which are effective for factory output prediction and operational optimization, require extensive historical data, posing challenges due to high sensor deployment and data collection costs. To address this, we propose Ensemble Deep Transfer Learning (EDTL), a novel framework that enhances prediction accuracy and data efficiency by integrating transfer learning with an ensemble strategy and a feature alignment layer. EDTL pretrains DNN models on data-rich production lines (source domain) and adapts them to data-limited lines (target domain), reducing dependency on large datasets. Experiments on real-world textile factory datasets show that EDTL improves prediction accuracy by 5.66% and enhances model robustness by 3.96% compared to conventional DNNs, particularly in data-limited scenarios (20%-40% data availability). This research contributes to energy-efficient textile manufacturing by enabling accurate predictions with fewer data requirements, providing a scalable and cost-effective solution for smart production systems.
Abstract（参考訳）: 伝統的な織物工場は相当量のエネルギーを消費しており、持続可能性とコスト削減のためにエネルギー効率の良い生産最適化が不可欠である。一方、工場の出力予測と運用最適化に有効なディープニューラルネットワーク(DNN)は、大規模な履歴データを必要とし、センサーの配置とデータ収集コストの上昇による課題を提起する。そこで本研究では,トランスファー学習をアンサンブル戦略と特徴アライメント層に統合することにより,予測精度とデータ効率を向上させる新しいフレームワークであるEnsemble Deep Transfer Learning (EDTL)を提案する。 EDTLはデータリッチな生産ライン(ソースドメイン)上でDNNモデルを事前トレーニングし、データ制限されたライン(ターゲットドメイン)に適応することで、大規模なデータセットへの依存性を低減する。実世界の織物工場のデータセットの実験では、EDTLは予測精度を5.66%改善し、従来のDNNと比較してモデルの堅牢性を3.96%向上している。本研究は,データ要求の少ない正確な予測を可能にし,スマート生産システムにスケーラブルで費用対効果の高いソリューションを提供することにより,エネルギー効率の高い織物製造に寄与する。

関連論文リスト

UtilGen: Utility-Centric Generative Data Augmentation with Dual-Level Task Adaptation [70.2215233759276]
UtilGenは、コンピュータビジョンタスクのための新しいユーティリティ中心のデータ拡張フレームワークである。 UtilGenは、常に優れたデータセットを達成しており、平均精度は以前のSOTAよりも3.87%向上している。データの影響と分布のさらなる分析により、UtilGenはより影響のあるタスク関連合成データを生成することが明らかになった。
論文参考訳（メタデータ） (2025-10-28T10:17:11Z)
Towards High Data Efficiency in Reinforcement Learning with Verifiable Reward [54.708851958671794]
オフラインとオンラインの両方のデータ選択のための最適化戦略を組み合わせた,データ効率のよいポリシ最適化パイプラインを提案する。オフラインフェーズでは、多様性、影響、適切な難易度に基づいて、トレーニングサンプルの高品質なサブセットをキュレートする。オンラインRLVRトレーニングにおいて、探索可能性の低いサンプルを動的にフィルタリングするサンプルレベルの探索性指標を導入する。
論文参考訳（メタデータ） (2025-09-01T10:04:20Z)
Learning to Optimally Dispatch Power: Performance on a Nation-Wide Real-World Dataset [0.0]
ウルグアイの電力網の構造特性と2年近い実世界の運用データの両方を含む,一般公開された電力システムデータセットを紹介する。実世界のデータが学習ベースORPDソリューションに与える影響を評価し, 人工的な需要から実際の需要へ移行する際の予測誤差が顕著に増加したことを明らかにする。
論文参考訳（メタデータ） (2025-05-30T12:07:38Z)
Synthesizing Tabular Data Using Selectivity Enhanced Generative Adversarial Networks [13.15144607691916]
この論文は、クエリ選択性制約を取り入れた新しいGANベースのアプローチを導入している。トレーニング済みのディープニューラルネットワークを統合して、実データと合成データ間の選択性一貫性を維持する。提案手法は,5つの実世界のデータセットで検証され,最先端の3つのGANとVAEモデルより優れていた。
論文参考訳（メタデータ） (2025-02-28T13:26:41Z)
An Investigation on Machine Learning Predictive Accuracy Improvement and Uncertainty Reduction using VAE-based Data Augmentation [2.517043342442487]
深層生成学習は、特定のMLモデルを使用して、既存のデータの基盤となる分布を学習し、実際のデータに似た合成サンプルを生成する。本研究では,変分オートエンコーダ(VAE)を用いた深部生成モデルを用いて,データ拡張の有効性を評価することを目的とする。本研究では,拡張データを用いてトレーニングしたディープニューラルネットワーク(DNN)モデルの予測において,データ拡張が精度の向上につながるかどうかを検討した。
論文参考訳（メタデータ） (2024-10-24T18:15:48Z)
Little Giants: Synthesizing High-Quality Embedding Data at Scale [71.352883755806]
SPEEDは,オープンソースの小型モデルと協調して大規模な埋め込みデータを効率的に生成するフレームワークである。 SPEEDはGPT API呼び出しの1/10未満しか使用せず、両者が合成データのみに基づいてトレーニングされている場合、最先端の埋め込みモデルE5_mistralよりも優れている。
論文参考訳（メタデータ） (2024-10-24T10:47:30Z)
AutoScale: Scale-Aware Data Mixing for Pre-Training LLMs [59.12061830645018]
より小さなスケールで良好に機能するデータ混合物は、大規模なスケールではその利点を保たない可能性があることを示す。 2段階のスケール対応データ合成フレームワークであるAutoScaleを提案する。
論文参考訳（メタデータ） (2024-07-29T17:06:30Z)
Data-driven prediction of tool wear using Bayesian-regularized artificial neural networks [8.21266434543609]
工具摩耗の予測は、製造におけるコストの最小化と製品品質の向上に役立つ。ベイジアン正規化ニューラルネットワーク(BRANN)を用いて,加工工具の摩耗を正確に予測する新しいデータ駆動モデルを提案する。
論文参考訳（メタデータ） (2023-11-30T15:22:20Z)
Deep Reinforcement Learning Assisted Federated Learning Algorithm for Data Management of IIoT [82.33080550378068]
産業用IoT(Industrial Internet of Things)の継続的な拡大により、IIoT機器は毎回大量のユーザデータを生成する。 IIoTの分野で、これらの時系列データを効率的かつ安全な方法で管理する方法は、依然として未解決の問題である。本稿では,無線ネットワーク環境におけるIIoT機器データ管理におけるFL技術の適用について検討する。
論文参考訳（メタデータ） (2022-02-03T07:12:36Z)
Towards an Interpretable Data-driven Trigger System for High-throughput Physics Facilities [7.939382824995354]
高スループットデータフィルタリングとトリガシステムを設計するための新しいデータ駆動アプローチを紹介します。私たちの目標は、どのデータイベントを維持するかを決定するために、最小限のランタイムコストでデータ駆動フィルタリングシステムを設計することです。現在のパラダイムにおける非局所的非効率性を考慮するために、解釈可能な予測モデリングとコストに敏感な学習から重要な洞察を紹介します。
論文参考訳（メタデータ） (2021-04-14T05:01:32Z)

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。