論文の概要: MAOL: Morphology-Aware Ordinal Learning for Fine-Grained Industrial Defect Severity Grading

• arxiv url: http://arxiv.org/abs/2609.02266v1
• Date: Wed, 02 Sep 2026 08:11:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.146632
• Title: MAOL: Morphology-Aware Ordinal Learning for Fine-Grained Industrial Defect Severity Grading
• Title（参考訳）: MAOL:細粒工業用欠陥重症度グレーディングのための形態認識規則学習
• Abstract要約: MAOLは, 細粒度産業欠陥重大度評価のための形態素認識規則学習フレームワークである。 MAOLは、インスタンスレベルの順序学習タスクとして重度グレーディングを定式化し、表現学習を強化するために明示的な形態的特徴を取り入れ、ローカライゼーションによる予測学習を採用し、予測されたインスタンスの不完全なインスタンスに対する堅牢性を改善する。
• 参考スコア（独自算出の注目度）: 8.204786585405634
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained defect severity grading is essential for industrial inspection, yet remains challenging due to the ordinal nature of severity labels, the strong dependence on morphology-related cues, and the train-test discrepancy between clean annotated instances and noisy predicted instances in two-stage pipelines. We propose MAOL, a Morphology-Aware Ordinal Learning framework for fine-grained industrial defect severity grading. MAOL formulates severity grading as an instance-level ordinal learning task, incorporates explicit morphological features to enhance representation learning, introduces class-conditional adaptive ordinal thresholds to model defect-specific grading boundaries, and employs prediction-aware training via localization perturbation to improve robustness to imperfect predicted instances. Extensive experiments under both clean-ROI and predicted-instance settings demonstrate that MAOL consistently outperforms rule-based methods, nominal classification models, and existing ordinal baselines, especially in the predicted-instance setting. The proposed approach ranked third in the IDA 2026 Challenge on Fine-Grained Severity Grading for High-Precision Manufacturing.
• Abstract（参考訳）: 細粒度の欠陥重大度評価は産業検査に欠かせないが, 重大度ラベルの順序性, 形態学関連の手がかりへの強い依存, 2段階パイプラインにおけるクリーンアノテートインスタンスとノイズ予測インスタンスとの列車試験の相違により, 依然として困難である。 MAOLは, 細粒度産業欠陥重大度評価のための形態素認識規則学習フレームワークである。 MAOLは、インスタンスレベルの順序学習タスクとして重度学習を定式化し、表現学習を強化するための明示的な形態的特徴を取り入れ、欠陥固有の階調境界をモデル化するためのクラス条件適応順序付けしきい値を導入し、局所化摂動による予測認識トレーニングを採用し、予測されたインスタンスの堅牢性を改善する。 クリーンROIと予測インスタンス設定の両方の下での大規模な実験は、特に予測インスタンス設定において、MAOLが規則ベースの方法、命名分類モデル、既存の順序ベースラインを一貫して上回っていることを示している。 提案されたアプローチは、精密製造のための細粒度重度グレーディングに関するIDA 2026チャレンジで3位にランクインした。

関連論文リスト

• Deep Neural Networks with Ordinal Loss for Medical Applications [2.8496753993424817]
  我々は、順序データから学習するための汎用的でアーキテクチャに依存しないアプローチであるtextbfOrdinal Cross-Entropy (OCE) フレームワークを導入する。 OCEは、既存の最先端の順序のアプローチと比較して、予測エラーコストの低減とキャリブレーションの改善を実現している。
  論文  参考訳（メタデータ） (2026-06-24T12:45:17Z)
• Non-Parametric Rehearsal Learning via Conditional Mean Embeddings [88.89267783967263]
  本研究では,不必要な未来(AUF)問題をテキスト化するための非パラメトリックリハーサル学習手法を提案する。 具体的には、カーネル機械を用いてAUFの目的を、動作誘起分布変化から所望性モデリングを遠ざける統一表現に再構成する。
  論文  参考訳（メタデータ） (2026-05-09T15:30:52Z)
• Amortized Predictability-aware Training Framework for Time Series Forecasting and Classification [10.816479922364097]
  時系列予測 (TSF) と時系列分類 (TSC) の双方に対して, 一般的なアモータイズ予測可能性を考慮したトレーニングフレームワーク (APTF) を提案する。 APTFは2つの重要な設計を導入し、予測可能性の低いモデルから適切な学習をしながら、モデルが高い予測可能性のサンプルに集中できるようにする。
  論文  参考訳（メタデータ） (2026-02-18T06:59:05Z)
• Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
  本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。 左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。 本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
  論文  参考訳（メタデータ） (2026-02-10T19:08:40Z)
• ABounD: Adversarial Boundary-Driven Few-Shot Learning for Multi-Class Anomaly Detection [24.691181948844136]
  ABversaounDは、マルチクラス異常検出のためのAdrial Boundary-Driven few-shot Learningフレームワークである。 意味論的概念学習と意思決定境界形成を統合している。 MVTec-ADとVisAデータセットの実験は、最先端のパフォーマンスを示している。
  論文  参考訳（メタデータ） (2025-11-27T13:18:22Z)
• Benchmarking Corruption Robustness of LVLMs: A Discriminative Benchmark and Robustness Alignment Metric [49.393713730706445]
  汚損の堅牢性を評価するための識別サンプルを強調したベンチマークであるBench-Cを紹介する。 本稿では,ロバストネスアライメントスコア(RAS)を提案する。
  論文  参考訳（メタデータ） (2025-11-24T12:07:56Z)
• Learning Robust Diffusion Models from Imprecise Supervision [75.53546939251146]
  DMISは、Imrecise Supervisionから堅牢な条件拡散モデルをトレーニングするための統一されたフレームワークである。 我々のフレームワークは、可能性から派生し、その目的を生成的および分類的構成要素に分解する。 画像生成、弱教師付き学習、データセットの凝縮をカバーし、様々な形の不正確な監視実験を行い、DMISが常に高品質でクラス差別的なサンプルを生成することを示した。
  論文  参考訳（メタデータ） (2025-10-03T14:00:32Z)
• Model Hemorrhage and the Robustness Limits of Large Language Models [119.46442117681147]
  大規模言語モデル(LLM)は、自然言語処理タスク全体で強力なパフォーマンスを示すが、デプロイメント用に修正された場合、大幅なパフォーマンス低下を経験する。 この現象をモデル出血(パラメータ変更とアーキテクチャ変更によるパフォーマンス低下)と定義する。
  論文  参考訳（メタデータ） (2025-03-31T10:16:03Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• Low-rank finetuning for LLMs: A fairness perspective [54.13240282850982]
  低ランク近似技術は、微調整された大規模言語モデルのデファクトスタンダードとなっている。 本稿では,これらの手法が初期訓練済みデータ分布から微調整データセットのシフトを捉える上での有効性について検討する。 低ランク微調整は好ましくない偏見や有害な振る舞いを必然的に保存することを示す。
  論文  参考訳（メタデータ） (2024-05-28T20:43:53Z)
• Soft ascent-descent as a stable and flexible alternative to flooding [6.527016551650139]
  我々は,軟化・ポイントワイド機構であるSoftADを提案する。この機構は,降水量と降水量の影響を制限し,洪水の上昇・昇華効果を維持できる。 我々は,より小さな損失一般化ギャップとモデル規範を享受しながら,浸水と競合する分類精度をSoftADが実現できることを実証する。
  論文  参考訳（メタデータ） (2023-10-16T02:02:56Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Variational Classification [51.2541371924591]
  我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。 軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。 我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
  論文  参考訳（メタデータ） (2023-05-17T17:47:19Z)
• Inverse Classification with Limited Budget and Maximum Number of Perturbed Samples [18.76745359031975]
  逆分類は、最初に予測されたクラスを変更するサンプルの入力特徴の変化を見つけるためのポストモデリングプロセスである。 本研究では,摂動サンプル数を最大化する逆分類法を提案する。 我々は、勾配法、プロセス、ラグランジュ緩和、ガンベルトリックに基づいて、この問題を解決するアルゴリズムを設計する。
  論文  参考訳（メタデータ） (2020-09-29T15:52:10Z)

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。