論文の概要: Morphology-Aware Ambiguity Learning for Wafer Defect Decision Support
- arxiv url: http://arxiv.org/abs/2609.21866v1
- Date: Fri, 18 Sep 2026 14:56:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.15604
- Title: Morphology-Aware Ambiguity Learning for Wafer Defect Decision Support
- Title（参考訳）: ウェーハ欠陥判定支援のための形態認識型曖昧性学習
- Abstract要約: 本稿では,形態認識型あいまいさ学習フレームワークを提案する。
診断には3つの方法がある: 自動単クラス診断、有効な2つの欠陥クラスによる補助診断、完全レビュー。
WM-811Kの実験により,本フレームワークは欠陥認識や診断決定支援において従来の手法よりも優れていることが示された。
- 参考スコア（独自算出の注目度）: 0.3437656066916039
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Wafer map defect recognition is commonly formulated as a fixed-taxonomy classification problem that assigns each wafer to a single defect class. However, some wafers exhibit morphologies near class boundaries, for which forcing a single prediction may be less informative than providing plausible diagnostic alternatives. This paper proposes a morphology-aware ambiguity learning framework that supports three diagnostic actions: automatic single-class diagnosis, assisted diagnosis with two plausible defect classes, and full review. Using the radial, angular, and geometric characteristics of training wafer maps, the framework constructs a class-level ambiguity matrix representing defect-class pairs with similar morphology and plausible diagnostic alternatives. It guides the model to learn plausible alternative classes rather than treating all incorrect classes equally. During inference, the matrix determines whether an uncertain prediction can be represented by a meaningful two-class diagnostic set or should be escalated for full review. Experiments on WM-811K show that the proposed framework outperforms conventional approaches in defect recognition and diagnostic decision support, providing meaningful two-class alternatives while reserving full review for cases with unresolved ambiguity. Illustrative cost analyses further show the potential cost advantage of the proposed routing strategy. The diagnostic behavior of the framework remains consistent across different backbone architectures.
- Abstract（参考訳）: ウエハマップ欠陥認識は、一般に、各ウェハを単一欠陥クラスに割り当てる固定分類分類問題として定式化される。
しかし、いくつかのウェハはクラスの境界付近で形態を示しており、単一の予測を強制することは、妥当な診断代替手段を提供するよりは情報に乏しい可能性がある。
本稿では,3つの診断行動を支援する形態素認識型あいまいさ学習フレームワークを提案する。
このフレームワークは、トレーニングウエハマップの放射、角、幾何学的特性を用いて、類似した形態の欠陥クラス対を表すクラスレベルのあいまい度行列を構築し、診断の選択肢を実証する。
すべての不正なクラスを平等に扱うのではなく、妥当な代替クラスを学ぶようモデルに誘導する。
推論中、行列は、不確実な予測が有意義な2段階の診断セットで表現できるか、または完全なレビューのためにエスカレーションされるべきかを決定する。
WM-811Kの実験では、このフレームワークは、欠陥認識と診断決定支援の従来の手法よりも優れており、未解決の曖昧性のあるケースに対する完全なレビューを維持しながら、有意義な2種類の代替手段を提供する。
図解的なコスト分析は、提案したルーティング戦略の潜在的なコスト優位性を示している。
フレームワークの診断動作は、異なるバックボーンアーキテクチャ間で一貫しています。
関連論文リスト
- The Latent Diagnostic Taxonomy: A Framework for Constructing Classifiers and Diagnosing Their Decisions, Applied to Prompt Injection Detection [0.0]
本稿では,分類器をセーフガード層として構築し,補完的な診断を行うためのフレームワークを提案する。
フレームワークを公開プロンプトインジェクションデータセットに適用すると、自信のある決定のかなりの部分が単一のトークンを削除しても堅牢ではないことが分かります。
分類学の各分野において、診断されたプロンプトを修復するための戦略を推奨する。
論文 参考訳（メタデータ） (2026-08-26T21:55:15Z) - Evaluating Multi-Turn Multimodal Diagnostic Reasoning on Challenging Real-World Clinical Cases [59.5328455571863]
ClinMM-Benchは、これまでで最大のマルチターンマルチモーダル臨床診断評価ベンチマークである。
実際の患者は1,089件、医療画像は3,760件、専門は8件。
プロプライエタリモデルでは診断精度が最も高かったが、正確な診断の割合は限られていた。
論文 参考訳（メタデータ） (2026-07-28T16:19:03Z) - FormalRx: Rectify and eXamine Semantic Failures in Autoformalization [20.257622307895108]
FormalRxは、オートフォーマル化のための総合的な診断評価フレームワークである。
自動形式評価をブラックボックスの判断から行動可能なフィードバックに変換する。
我々は56,287個のNL-FLペアでトレーニングされた診断モデルFormalRx-8Bでフレームワークをインスタンス化する。
最初のきめ細かい診断ベンチマークとしてFormalRx-Testをリリースしました。
論文 参考訳（メタデータ） (2026-07-06T04:20:06Z) - Boosting Ultrasound Image Classification via Attribute-Guided Dual-Branch Framework [41.7947778898157]
本稿では,領域に依存しない医療属性を事前に導入した超音波分類のための属性誘導型デュアルブランチフレームワークを提案する。
超音波分類タスクの多種多様な実験により,本手法が複数のバックボーンや最先端手法に統合できることが実証された。
論文 参考訳（メタデータ） (2026-07-02T03:20:12Z) - Medical Model Synthesis Architectures: A Case Study [72.46211022258122]
現在のAIシステムは、不確実性の下で調整された推論に苦労している。
我々は,不確実性の下で,現実的に有用だが公式に透過的な臨床予測を行うことができるAIシステムのためのフレームワークを提案する。
このフレームワークの最初の概念実証は、どのようにして差分診断に利用できるかを示す。
論文 参考訳（メタデータ） (2026-05-10T19:30:16Z) - Clinical Cognition Alignment for Gastrointestinal Diagnosis with Multimodal LLMs [63.535652574541764]
MLLM(Multimodal Large Language Models)は医用画像解析において顕著な可能性を示した。
消化器内視鏡におけるそれらの応用は、現在、2つの重要な限界によって妨げられている。
本稿では,これらの課題に対処する新しい臨床認知アライメント(CogAlign)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-03-21T07:47:37Z) - ClinNet: Evidential Ordinal Regression with Bilateral Asymmetry and Prototype Memory for Knee Osteoarthritis Grading [3.337151338735509]
X線画像に基づく膝関節症(KOA)の診断は極めて難しい課題である。
本研究では, KOA グレーディングに対処する信頼性の高い新しいフレームワーク ClinNet を提案する。
論文 参考訳（メタデータ） (2026-01-24T05:49:41Z) - Towards the Identifiability and Explainability for Personalized Learner
Modeling: An Inductive Paradigm [36.60917255464867]
本稿では,エンコーダ・デコーダモデルにインスパイアされた新しい応答効率応答パラダイムに基づく,識別可能な認知診断フレームワークを提案する。
診断精度を損なうことなく,ID-CDFが効果的に対処できることが示唆された。
論文 参考訳（メタデータ） (2023-09-01T07:18:02Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳（メタデータ） (2022-07-14T14:57:01Z) - Resolving label uncertainty with implicit posterior models [71.62113762278963]
本稿では,データサンプルのコレクション間でラベルを共同で推論する手法を提案する。
異なる予測子を後部とする生成モデルの存在を暗黙的に仮定することにより、弱い信念の下での学習を可能にする訓練目標を導出する。
論文 参考訳（メタデータ） (2022-02-28T18:09:44Z) - Deep Joint Learning of Pathological Region Localization and Alzheimer's
Disease Diagnosis [4.5484714814315685]
BrainBagNetは、病理領域の局在とアルツハイマー病の診断を共同で学習するためのフレームワークである。
提案手法は、全脳MRI画像からのパッチレベル応答と位置情報からの識別的脳領域を示す。
5倍のクロスバリデーションにおいて,提案手法の分類性能は,AD診断および軽度認知障害予測タスクにおいて,最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-08-10T10:06:54Z)
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。