Fugu-MT 論文翻訳(概要): Federated Learning for Distributed CNC Tool Wear Prediction

論文の概要: Federated Learning for Distributed CNC Tool Wear Prediction

arxiv url: http://arxiv.org/abs/2608.11281v1
Date: Tue, 11 Aug 2026 11:24:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.320144
Title: Federated Learning for Distributed CNC Tool Wear Prediction
Title（参考訳）: 分散CNCツールの摩耗予測のためのフェデレーション学習
Abstract要約: フェデレートラーニングは、分散CNC製造環境でのコラボレーションツールの摩耗予測をサポートすることができる。ツールトラジェクトリは、フェデレートされた学習シナリオを表現するために、シミュレートされたクライアントに分散される。その結果,フェデレーション学習は集中学習に近い性能を達成し,ローカルクライアントモデルよりも大幅に向上した。
参考スコア（独自算出の注目度）: 0.7340017786387767
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Tool wear prediction is an important task in CNC machining, where accurate monitoring of tool condition supports product quality and process reliability. Machine learning methods have shown potential for this task, but their use in industrial environments is limited by the distributed nature of machining data and by restrictions on data sharing between machines, sites, or organizations. Federated learning offers a suitable framework for this setting by enabling collaborative model training without transferring raw operational data. This paper investigates federated learning for CNC tool wear prediction. Tool trajectories are distributed across simulated clients to represent a federated learning scenario. The federated models are compared against centralized references and local client baselines. Results show that federated learning achieves performance close to centralized learning and improves significantly over local client models. These findings indicate that federated learning can support collaborative tool wear prediction in distributed CNC manufacturing environments.
Abstract（参考訳）: 工具摩耗予測はCNC加工において重要な課題であり、工具条件の正確なモニタリングは製品の品質とプロセスの信頼性をサポートする。機械学習手法はこのタスクの可能性を示してきたが、産業環境での使用は、加工データの分散特性や、機械、サイト、組織間のデータ共有の制限によって制限されている。フェデレーション学習は、生の運用データを転送することなく、協調的なモデルトレーニングを可能にすることで、この設定に適したフレームワークを提供する。本稿では,CNCツール摩耗予測のためのフェデレーション学習について検討する。ツールトラジェクトリは、フェデレートされた学習シナリオを表現するために、シミュレートされたクライアントに分散される。フェデレートされたモデルは、集中型参照とローカルクライアントベースラインと比較される。その結果,フェデレーション学習は集中学習に近い性能を達成し,ローカルクライアントモデルよりも大幅に向上した。これらの結果から,分散CNC製造環境における協調的ツール摩耗予測を支援することが示唆された。

関連論文リスト

Feedback-Driven Tool-Use Improvements in Large Language Models via Automated Build Environments [70.42705564227548]
大規模言語モデル(LLM)のための環境自動構築パイプラインを提案する。これにより、外部ツールに頼ることなく、詳細な測定可能なフィードバックを提供する高品質なトレーニング環境の作成が可能になる。また、ツール使用の精度とタスク実行の完全性の両方を評価する検証可能な報酬機構も導入する。
論文参考訳（メタデータ） (2025-08-12T09:45:19Z)
Meta-Statistical Learning: Supervised Learning of Statistical Inference [59.463430294611626]
この研究は、大きな言語モデル(LLM)の成功を駆動するツールと原則が、分散レベルのタスクに取り組むために再利用可能であることを実証している。本稿では,統計的推論タスクを教師付き学習問題として再構成するマルチインスタンス学習に触発されたメタ統計学習を提案する。
論文参考訳（メタデータ） (2025-02-17T18:04:39Z)
Using Federated Machine Learning in Predictive Maintenance of Jet Engines [0.0]
本稿では,連合型機械学習フレームワークを用いて,タービンジェットエンジンの残留実用寿命(RUL)を予測することを目的とする。このシステムは、RUL予測の精度を高めるために、エンジンデータの複雑な計算とパターンをキャプチャすることを目的としている。
論文参考訳（メタデータ） (2025-02-07T20:41:36Z)
Data-driven tool wear prediction in milling, based on a process-integrated single-sensor approach [1.6574413179773764]
本研究では,ツール摩耗予測のためのデータ駆動手法,特にディープラーニングについて検討する。 2つのプロセスで検証された最小限のトレーニングデータを用いて予測モデルの伝達可能性について検討した。 ConvNeXtモデルには例外的な性能があり、ツールの摩耗を識別する精度は99.1%である。
論文参考訳（メタデータ） (2024-12-27T23:10:32Z)
FedClust: Tackling Data Heterogeneity in Federated Learning through Weight-Driven Client Clustering [26.478852701376294]
フェデレートラーニング(Federated Learning, FL)は、分散機械学習のパラダイムである。 FLの主な課題の1つは、クライアントデバイスにまたがる不均一なデータ分散の存在である。我々は,局所モデル重みとクライアントのデータ分布の相関を利用したCFLの新しい手法であるFedClustを提案する。
論文参考訳（メタデータ） (2024-07-09T02:47:16Z)
Personalized Decentralized Federated Learning with Knowledge Distillation [5.469841541565307]
フェデレート学習機能のパーソナライゼーションは、データや振る舞いのばらつきが高いクライアントのコーディネータとして機能する。一般に、分散ネットワークにおいて、他のユーザーのモデルについて限られた知識の下で類似性を定量化することは困難である。本研究では,局所モデル間の統計的距離を識別するために,知識蒸留技術を活用したパーソナライズされた完全分散FLアルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-23T16:41:07Z)
Scalable Collaborative Learning via Representation Sharing [53.047460465980144]
フェデレートラーニング(FL)とスプリットラーニング(SL)は、データを(デバイス上で)プライベートにしながら協調学習を可能にする2つのフレームワークである。 FLでは、各データ保持者がモデルをローカルにトレーニングし、集約のために中央サーバにリリースする。 SLでは、クライアントは個々のカット層アクティベーション(スマッシュされたデータ)をサーバにリリースし、そのレスポンス(推論とバックの伝搬の両方)を待つ必要があります。本研究では, クライアントがオンライン知識蒸留を通じて, 対照的な損失を生かして協調する, プライバシ保護機械学習の新しいアプローチを提案する。
論文参考訳（メタデータ） (2022-11-20T10:49:22Z)
Privacy-Preserving Machine Learning for Collaborative Data Sharing via Auto-encoder Latent Space Embeddings [57.45332961252628]
データ共有プロセスにおけるプライバシ保護機械学習は、極めて重要なタスクである。本稿では、オートエンコーダによる表現学習を用いて、プライバシーを保護した組込みデータを生成する革新的なフレームワークを提案する。
論文参考訳（メタデータ） (2022-11-10T17:36:58Z)
Federated Pruning: Improving Neural Network Efficiency with Federated Learning [24.36174705715827]
フェデレーテッド・プルーニング(Federated Pruning)は、フェデレーテッド・セッティングの下で縮小モデルのトレーニングを行う。異なる刈り取り方式を探索し,提案手法の有効性の実証的証拠を提供する。
論文参考訳（メタデータ） (2022-09-14T00:48:37Z)
Federated Stochastic Gradient Descent Begets Self-Induced Momentum [151.4322255230084]
Federated Learning(FL)は、モバイルエッジシステムに適用可能な、新興の機械学習手法である。このような条件下での勾配降下(SGD)への走行は,大域的な集約プロセスに運動量的な項を加えるとみなすことができる。
論文参考訳（メタデータ） (2022-02-17T02:01:37Z)
SOLIS -- The MLOps journey from data acquisition to actionable insights [62.997667081978825]
本稿では,基本的なクロスプラットフォームテンソルフレームワークとスクリプト言語エンジンを使用しながら,すべての要件をサポートする統合デプロイメントパイプラインとフリー・ツー・オペレートアプローチを提案する。しかし、このアプローチは、実際のプロダクショングレードシステムに機械学習機能を実際にデプロイするために必要な手順やパイプラインを提供していない。
論文参考訳（メタデータ） (2021-12-22T14:45:37Z)

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。