論文の概要: Integrating Factual and Normative Industrial Knowledge via Constraint-Aware Graph Attention for Process Plan Recommendation

• arxiv url: http://arxiv.org/abs/2607.24213v1
• Date: Mon, 27 Jul 2026 09:45:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.377435
• Title: Integrating Factual and Normative Industrial Knowledge via Constraint-Aware Graph Attention for Process Plan Recommendation
• Title（参考訳）: プロセス計画勧告のための制約対応グラフアテンションによる実例と規範的産業知識の統合
• Abstract要約: 知識グラフ強化協調フィルタリング問題として, 加工計画推薦を定式化するPCA-GATを提案する。 4つの領域制約、材料互換性、精度要件、特徴適用性、操作シークエンシングは、グラフ伝搬中に注意バイアスとして導入される。 3つの公開ベンチマークの結果は、制約が欠如している場合の劣化を示さず、製造以外の一般化を支援している。
• 参考スコア（独自算出の注目度）: 17.18176203619238
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Integrating heterogeneous industrial knowledge, including factual relations and decision constraints, remains a core challenge in industrial information systems. Machining process planning exemplifies this problem because engineers must select operations by combining material properties, feature characteristics, and quality requirements. Existing methods rely mainly on similarity retrieval or classification, without a unified ranking objective or standardized evaluation. We propose PCA-GAT, which formulates machining process plan recommendation as a knowledge graph enhanced collaborative filtering problem. Bayesian Personalized Ranking provides the learning objective, while Recall@K and NDCG@K define evaluation. The knowledge graph supplies semantic structure when collaborative signals are sparse. Four domain constraints, material compatibility, precision requirements, feature applicability, and operation sequencing, are introduced as attention biases during graph propagation. Type-specific weights learn their importance, and an adaptive gate adjusts their influence using local context. On a real aerospace dataset with 115 parts and 507 plans, PCA-GAT achieves Recall@1 = 0.9087 and strong cold-start robustness, with about half the degradation of the strongest baseline under severe sparsity. Ablation studies show that knowledge graph enrichment is essential, constraints add value, and ungated constraint injection can hurt performance. The learned weights identify material-operation compatibility as the dominant factor, consistent with domain expertise. Results on three public benchmarks show no degradation when constraints are absent, supporting generalization beyond manufacturing. This study establishes a standardized recommendation protocol for engineering process planning and benchmarks seven methods across three categories, showing that knowledge representation is the main bottleneck.
• Abstract（参考訳）: 事実関係や意思決定制約を含む異種産業知識の統合は、産業情報システムにおける中核的な課題である。 加工工程計画では, 材料特性, 特性特性, 品質要件を組み合わせた操作をエンジニアが選択しなければならないため, この問題を実証する。 既存の手法は主に類似性検索や分類に依存しており、統一されたランク付け目的や標準化された評価は行わない。 知識グラフ強化協調フィルタリング問題として, 加工工程計画推薦を定式化するPCA-GATを提案する。 Bayesian Personalized Rankingは学習目的を提供するが、Recall@KとNDCG@Kは評価を定義する。 知識グラフは、協調的な信号がスパースであるときに意味構造を提供する。 4つの領域制約、材料互換性、精度要件、特徴適用性、操作シークエンシングは、グラフ伝搬中に注意バイアスとして導入される。 タイプ固有の重みはその重要性を学習し、適応ゲートは局所的な文脈を用いて影響を調整する。 115のパートと507のプランを持つ実際の航空宇宙データセット上で、PCA-GATはRecall@1 = 0.9087と強いコールスタートロバスト性を達成する。 アブレーション研究では、知識グラフの豊かさは不可欠であり、制約は価値を付加し、無作為な制約注入はパフォーマンスを損なう可能性があることが示されている。 学習した重みは、ドメインの専門知識と整合して、マテリアル・オペレーションの互換性を支配的な要因とみなす。 3つの公開ベンチマークの結果は、制約が欠如している場合の劣化を示さず、製造以外の一般化を支援している。 本研究では,工学プロセス計画のための標準化されたレコメンデーションプロトコルを確立し,知識表現が主要なボトルネックであることを示す。

関連論文リスト

• CLARK: Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs [2.2889981393105554]
  CLARK(Closed-loop Learning for Adaptive Reasoning over Knowledge Graphs)は、知識グラフ、シンボリックルールマイニング、確率論的推論を統合するフレームワークである。 CLARKを2つの医学データセット上で評価し、ルール品質と下流分類性能の両方を分析した。
  論文  参考訳（メタデータ） (2026-07-22T10:30:45Z)
• Beyond the Academic Monoculture: A Unified Framework and Industrial Perspective for Attributed Graph Clustering [75.50670592447219]
  分散グラフクラスタリング(AGC)は、構造トポロジとノード属性を共同でモデル化することによって、ノードを凝集性グループに分割する基本的な教師なしタスクである。 この調査は、3つの相補的な視点からAGCを包括的かつ工業的に基礎づけたレビューを提供する。
  論文  参考訳（メタデータ） (2026-03-21T14:15:34Z)
• Continual Action Quality Assessment via Adaptive Manifold-Aligned Graph Regularization [53.82400605816587]
  アクション品質アセスメント(AQA)は、ビデオにおける人間の行動を定量化し、スポーツスコアリング、リハビリテーション、スキル評価の応用を支援する。 大きな課題は、現実世界のシナリオにおける品質分布の非定常的な性質にある。 本稿では,進化する分布を扱うための連続学習機能を備えた連続AQA(Continuous AQA)を紹介する。
  論文  参考訳（メタデータ） (2025-10-08T10:09:47Z)
• Enrich-on-Graph: Query-Graph Alignment for Complex Reasoning with LLM Enriching [61.824094419641575]
  大言語モデル(LLM)は知識グラフ質問応答(KGQA)のような知識集約的なシナリオにおける幻覚と事実的誤りに苦しむ これは、構造化知識グラフ(KG)と非構造化クエリのセマンティックギャップによるもので、その焦点や構造に固有の違いが原因である。 既存の手法は通常、バニラKGの資源集約的で非スケーリング可能な推論を用いるが、このギャップを見落としている。 我々は、LLMの事前知識を活用してKGを充実させる柔軟なフレームワークEnrich-on-Graph(EoG)を提案し、グラフとクエリ間のセマンティックギャップを埋める。
  論文  参考訳（メタデータ） (2025-09-25T06:48:52Z)
• A Contextualized BERT model for Knowledge Graph Completion [0.0]
  知識グラフ補完(KGC)のためのコンテキスト化BERTモデルを提案する。 本モデルでは,エンティティ記述や負の三重項サンプリングの必要性を排除し,計算要求を低減し,性能を向上する。 FB15k-237とWN18RRでは,Hit@1が5.3%向上し,4.88%向上した。
  論文  参考訳（メタデータ） (2024-12-15T02:03:16Z)
• EnriCo: Enriched Representation and Globally Constrained Inference for Entity and Relation Extraction [3.579132482505273]
  結合実体と関係抽出は、特に知識グラフの構築において、様々な応用において重要な役割を担っている。 既存のアプローチはしばしば、表現の豊かさと出力構造におけるコヒーレンスという2つの重要な側面に欠ける。 本研究では,これらの欠点を緩和するEnriCoを紹介する。
  論文  参考訳（メタデータ） (2024-04-18T20:15:48Z)
• A Microservices Identification Method Based on Spectral Clustering for Industrial Legacy Systems [5.255685751491305]
  本稿では,スペクトルグラフ理論に基づくマイクロサービス候補抽出のための自動分解手法を提案する。 提案手法は,ドメインの専門家が関与しなくても,良好な結果が得られることを示す。
  論文  参考訳（メタデータ） (2023-12-20T07:47:01Z)
• Joint Learning of Label and Environment Causal Independence for Graph Out-of-Distribution Generalization [60.4169201192582]
  本稿では,ラベルと環境情報を完全に活用するために,ラベルと環境の因果独立(LECI)を導入することを提案する。 LECIは、合成データセットと実世界のデータセットの両方において、従来の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2023-06-01T19:33:30Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• Type-augmented Relation Prediction in Knowledge Graphs [65.88395564516115]
  本稿では,タイプ情報とインスタンスレベルの情報の両方を関係予測に適用するタイプ拡張関係予測(TaRP)手法を提案する。 提案手法は,4つのベンチマークデータセット上での最先端手法よりも高い性能を実現する。
  論文  参考訳（メタデータ） (2020-09-16T21:14:18Z)

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。