論文の概要: Automated Data Engineering and Feature Selection for the Case Study of Warpage Detection in Fused Deposition Modeling

• arxiv url: http://arxiv.org/abs/2607.18515v1
• Date: Mon, 20 Jul 2026 21:15:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-22 19:05:05.245986
• Title: Automated Data Engineering and Feature Selection for the Case Study of Warpage Detection in Fused Deposition Modeling
• Title（参考訳）: 溶融沈着モデルにおけるウォーページ検出の事例研究のための自動データ工学と特徴選択
• Authors: Saleh Valizadeh Sotubadi, Nazanin Mahjourian, Vinh Nguyen,
• Abstract要約: 本研究は、最適な機械学習モデルと機能の組み合わせを評価し、強化するために設計された自動データ処理フレームワークの開発に寄与する。 その結果、XAIアルゴリズムによるADPフレームワークの活用は、精度と安定性を向上した最適なモデル機能構成に向けてうまく収束していることがわかった。
• 参考スコア（独自算出の注目度）: 2.092393993912394
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This study contributes toward development of an Automated Data Processing (ADP) framework designed to evaluate and reinforce optimal machine learning model-feature combinations for predictive tasks in fused deposition modeling (FDM) process datasets. The methodology is centered around a reinforcement learning-inspired policy updating mechanism, where multiple machine learning models are trained on both full feature sets and feature subsets selected through Shapley-based Explainable AI (SHAP XAI) across 217 datasets. At each episode, the framework assesses the predictive accuracy and F1-scores of each model-feature pair, computes a scalar reward, and updates $Q$ values to guide future model selection. SHAP XAI feature importance was employed to generate reduced yet informative feature subsets to enable the framework to explore performance with dimensionality. The policy was shown to evolve over multiple episodes, with reward distributions used to visualize performance stability. Overall, results indicate that leveraging the ADP framework through XAI algorithms successfully converges toward optimal model-feature configurations with improved accuracy and stability. Specifically, the proposed framework improves the test-set AUC from 0.9248 to 0.9731 and increases the mean reward value by more than fifty percent compared with the baseline full-feature configuration.
• Abstract（参考訳）: 本研究では、融合沈着モデル(FDM)プロセスデータセットにおける予測タスクのための最適な機械学習モデル-機能の組み合わせの評価と強化を目的とした自動データ処理(ADP)フレームワークの開発に寄与する。 この方法論は強化学習にインスパイアされたポリシー更新メカニズムを中心に構築されており、217のデータセットにわたるShapleyベースの説明可能なAI(SHAP XAI)によって選択された機能セットと機能サブセットの両方で、複数の機械学習モデルをトレーニングする。 各エピソードにおいて、フレームワークは、各モデル-機能ペアの予測精度とF1スコアを評価し、スカラー報酬を計算し、将来のモデル選択を導くために$Q$値を更新する。 SHAP XAIの機能の重要性は、フレームワークが次元を持つパフォーマンスを探索できるようにするために、減らされながら情報に富む機能サブセットを生成するために利用された。 このポリシーは複数のエピソードにまたがって進化し、パフォーマンスの安定性を可視化するために報酬分布が使用された。 その結果、XAIアルゴリズムによるADPフレームワークの活用は、精度と安定性を向上した最適なモデル特徴構成に向けてうまく収束していることがわかった。 具体的には,テストセットのAUCを0.9248から0.9731に改善し,ベースラインのフル機能構成と比較して平均報酬値を50%以上向上させる。

関連論文リスト

• Enhancing Training Data Attribution with Representational Optimization [57.61977909113113]
  トレーニングデータ属性法は、トレーニングデータがモデルの予測にどのように影響するかを測定することを目的としている。 本稿では,タスク固有表現とモデル整合表現をTDAで明示的に学習することで,このギャップを埋める表現ベースアプローチであるAirRepを提案する。 AirRepは、属性品質に合わせて調整されたトレーニング可能なエンコーダと、グループワイドの影響を正確に見積もるアテンションベースのプール機構の2つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-05-24T05:17:53Z)
• "FRAME: Forward Recursive Adaptive Model Extraction-A Technique for Advance Feature Selection" [0.0]
  本研究では,新しいハイブリッド手法であるフォワード再帰適応モデル抽出手法(FRAME)を提案する。 FRAMEは、フォワード選択と再帰的特徴除去を組み合わせて、さまざまなデータセットにおける機能選択を強化する。 その結果、FRAMEは下流の機械学習評価指標に基づいて、常に優れた予測性能を提供することが示された。
  論文  参考訳（メタデータ） (2025-01-21T08:34:10Z)
• SDPERL: A Framework for Software Defect Prediction Using Ensemble Feature Extraction and Reinforcement Learning [0.0]
  本稿では,ソフトウェア欠陥予測のための革新的なフレームワークを提案する。 アンサンブル特徴抽出と強化学習(RL)に基づく特徴選択を組み合わせる。 この作業は、ファイルレベルの粒度でこの問題に対処する最近の取り組みの1つだ、と我々は主張する。
  論文  参考訳（メタデータ） (2024-12-10T21:16:05Z)
• A Collaborative Ensemble Framework for CTR Prediction [73.59868761656317]
  我々は、複数の異なるモデルを活用するための新しいフレームワーク、CETNet(Collaborative Ensemble Training Network)を提案する。 ナイーブなモデルスケーリングとは違って,私たちのアプローチは,共同学習による多様性とコラボレーションを重視しています。 当社のフレームワークは,Metaの3つのパブリックデータセットと大規模産業データセットに基づいて検証する。
  論文  参考訳（メタデータ） (2024-11-20T20:38:56Z)
• Embedded feature selection in LSTM networks with multi-objective evolutionary ensemble learning for time series forecasting [49.1574468325115]
  本稿では,Long Short-Term Memory Networkに埋め込まれた特徴選択手法を提案する。 本手法はLSTMの重みと偏りを分割的に最適化する。 イタリアとスペイン南東部の大気質時系列データの実験的評価により,従来のLSTMの能力一般化が著しく向上することが確認された。
  論文  参考訳（メタデータ） (2023-12-29T08:42:10Z)
• Robust Learning with Progressive Data Expansion Against Spurious Correlation [65.83104529677234]
  本研究では,2層非線形畳み込みニューラルネットワークの学習過程について検討した。 分析の結果,不均衡なデータ群と学習容易なスプリアス特徴が学習過程におけるスプリアス特徴の優位性に繋がる可能性が示唆された。 本稿では,PDEと呼ばれる新たなトレーニングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-06-08T05:44:06Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• PSD2 Explainable AI Model for Credit Scoring [0.0]
  本研究の目的は、信用リスクモデルの予測精度を向上させるための高度な分析手法の開発と試験である。 このプロジェクトは、銀行関連のデータベースに説明可能な機械学習モデルを適用することに焦点を当てている。
  論文  参考訳（メタデータ） (2020-11-20T12:12:38Z)

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。