論文の概要: KDH-CAD: Knowledge-data hybrid CAD learning under data scarcity

• arxiv url: http://arxiv.org/abs/2606.01702v1
• Date: Mon, 01 Jun 2026 05:11:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:31.384104
• Title: KDH-CAD: Knowledge-data hybrid CAD learning under data scarcity
• Title（参考訳）: KDH-CAD:データ不足下での知識データハイブリッドCAD学習
• Authors: Ziqin Gao, Zhijie Yang, Qiang Zou,
• Abstract要約: KDH-CADは、基礎モデル、構造化ドメイン知識、ラベル付きCADデータに事前訓練された知識を統合する知識データハイブリッドフレームワークである。 実験の結果、KDH-CADは低データのレシエーションにおいて高い性能を示し、250のトレーニングサンプルで92.6%の精度、1000のサンプルで95.8%、追加のデータで改善を続けていることがわかった。
• 参考スコア（独自算出の注目度）: 3.0651381649415845
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning in computer-aided design (CAD) remains fundamentally constrained by the data scarcity challenge: authentic CAD data is difficult to collect at scale, while synthetic data may not faithfully reflect real design practice. Rather than pursuing ever-larger CAD datasets, this paper alternatively treats CAD learning as a knowledge completion and calibration problem. It introduces KDH-CAD, a knowledge-data hybrid framework that integrates pretrained knowledge in foundation models, structured domain knowledge from textbooks/tutorials, and a very small amount of labeled CAD data. Domain knowledge is used to elicit and complete CAD-relevant concepts that are weakly expressed or under-represented in pretrained foundation models, while labeled CAD data calibrates these concepts in the latent space to account for task-specific geometric variability, without fine-tuning the foundation model. Experiments on real-world mechanical part classification show that KDH-CAD achieves strong performance in low-data regimes, reaching 92.6\% accuracy with only 250 training samples, 95.8\% with 1,000 samples, and continuing to improve with additional data. This matches or exceeds state-of-the-art performance that typically requires an order of magnitude more data. These results suggest that combining pretrained foundation models with structured domain knowledge can substantially reduce reliance on large-scale CAD datasets, providing a principled and practical direction for data-efficient CAD learning.
• Abstract（参考訳）: コンピュータ支援設計(CAD)の深層学習は、データ不足の課題によって、基本的には制約されている: 真のCADデータは、大規模な収集が困難である一方、合成データは、実際の設計プラクティスを忠実に反映していない。 そこで本稿では,CAD学習を知識の完成と校正の問題として扱う。 KDH-CADは、基礎モデルに事前訓練された知識を統合する知識データハイブリッドフレームワークであり、教科書や教科書から構造化されたドメイン知識、非常に少量のラベル付きCADデータである。 ドメイン知識は、事前訓練された基礎モデルで弱い表現や表現不足のCAD関連概念を導き出すのに使われ、CADデータは、基礎モデルを微調整することなく、タスク固有の幾何学的変数を考慮に入れ、これらの概念を潜在空間で校正する。 実世界の機械的部分分類の実験では、KDH-CADは低データのレシエーションにおいて高いパフォーマンスを達成し、250のトレーニングサンプルで92.6\%、1000のサンプルで95.8\%、追加のデータで改善を続けている。 これは通常、桁違いに多くのデータを必要とする最先端のパフォーマンスと一致または超えます。 これらの結果は、事前学習された基礎モデルと構造化されたドメイン知識を組み合わせることで、大規模CADデータセットへの依存を大幅に減らし、データ効率の良いCAD学習の原則的で実践的な方向性を提供することを示唆している。

関連論文リスト

• Zero-to-CAD: Agentic Synthesis of Interpretable CAD Programs at Million-Scale Without Real Data [8.896486786253766]
  実行可能CAD構築シーケンスのためのスケーラブルなフレームワークであるZero-to-CADを紹介する。 我々は,大規模言語モデルをフィードバック駆動CAD環境に組み込むことで,コードを反復的に生成し,実行し,検証する。 このエージェント的アプローチは、約100万の実行可能な可読性、編集可能なCADシーケンスの合成を可能にする。
  論文  参考訳（メタデータ） (2026-04-27T13:46:41Z)
• CADKnitter: Compositional CAD Generation from Text and Geometry Guidance [8.644079160190175]
  幾何誘導拡散サンプリング戦略を用いた構成CAD生成フレームワークCADKnitterを提案する。 CADKnitterは、与えられたCADモデルの幾何学的制約と、所望の設計テキストプロンプトのセマンティック制約の両方に従う補完的なCAD部分を生成することができる。 また、310,000以上のCADモデルのサンプルと、テキストプロンプトとアセンブリメタデータを含むデータセット、いわゆるKnitCADをキュレートする。
  論文  参考訳（メタデータ） (2025-12-12T01:06:38Z)
• CReFT-CAD: Boosting Orthographic Projection Reasoning for CAD via Reinforcement Fine-Tuning [31.342222156939403]
  本稿では,2段階の微調整パラダイムであるCReFT-CADを紹介する。 われわれはTriView2CADをリリースした。
  論文  参考訳（メタデータ） (2025-05-31T13:52:56Z)
• CADCrafter: Generating Computer-Aided Design Models from Unconstrained Images [69.7768227804928]
  CADCrafterは画像からパラメトリックCADモデル生成フレームワークで、合成テクスチャなしCADデータのみをトレーニングする。 多様な幾何学的特徴を正確に捉えるための幾何エンコーダを導入する。 提案手法は、実際の制約のないCADイメージを頑健に処理でき、また、目に見えない汎用オブジェクトにも一般化できる。
  論文  参考訳（メタデータ） (2025-04-07T06:01:35Z)
• CADSpotting: Robust Panoptic Symbol Spotting on Large-Scale CAD Drawings [56.05238657033198]
  本稿では,大規模CAD図面におけるパノプティカルシンボルスポッティングの効果的な方法であるCADSpottingを紹介する。 また、重み付き投票とNon-Maximum Suppression(NMS)を組み合わせたSWA(Sliding Window Aggregation)手法を提案する。 FloorPlanCAD と LS-CAD の実験により,CADSpotting が既存手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-12-10T10:22:17Z)
• Self-supervised Graph Neural Network for Mechanical CAD Retrieval [29.321027284348272]
  GC-CADは、機械的CAD検索のための、自己教師付きコントラストグラフニューラルネットワークに基づく手法である。 提案手法は, 精度を向上し, ベースライン法よりも100倍の効率向上を実現している。
  論文  参考訳（メタデータ） (2024-06-13T06:56:49Z)
• PairCFR: Enhancing Model Training on Paired Counterfactually Augmented Data through Contrastive Learning [49.60634126342945]
  Counterfactually Augmented Data (CAD)は、既存のデータサンプルのラベルを他のクラスに戻すのに、最小限かつ十分な修正を適用することで、新しいデータサンプルを作成する。 近年の研究では、CADを用いたトレーニングが、他の重要な文脈情報を無視しながら、モデルが修正機能に過度にフォーカスする可能性があることが示されている。 我々は、対実的手がかりの学習に加えて、グローバルな特徴アライメントを促進するために、対照的な学習を採用する。
  論文  参考訳（メタデータ） (2024-06-09T07:29:55Z)
• AutoCAD: Automatically Generating Counterfactuals for Mitigating Shortcut Learning [70.70393006697383]
  完全自動かつタスクに依存しないCAD生成フレームワークであるAutoCADについて述べる。 本稿では,完全に自動化されたタスクに依存しないCAD生成フレームワークであるAutoCADを提案する。
  論文  参考訳（メタデータ） (2022-11-29T13:39:53Z)
• How Does Counterfactually Augmented Data Impact Models for Social Computing Constructs? [35.29235215101502]
  本研究では、感情、性差別、ヘイトスピーチという3つのソーシャル・コンピューティング構造に着目し、社会的NLPモデルに対する反実的強化データ(CAD)の利点について検討する。 CADでトレーニングしたモデルではドメイン内性能が低下するが、ドメイン外性能は向上する。
  論文  参考訳（メタデータ） (2021-09-14T23:46:39Z)

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。