論文の概要: ARID: A Deployable Edge AI System for Structured Information Extraction from Industrial Maintenance Work Orders
- arxiv url: http://arxiv.org/abs/2609.23582v1
- Date: Sun, 20 Sep 2026 12:00:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.862569
- Title: ARID: A Deployable Edge AI System for Structured Information Extraction from Industrial Maintenance Work Orders
- Title（参考訳）: ARID:産業保守作業順序からの構造化情報抽出のためのデプロイ可能なエッジAIシステム
- Abstract要約: ARID(Aviation-inspireed for Industrial Deployment)は、8GBのJetson Orin NX上の固定スキーマルーティングにコンポーネント、障害モード、症状、メンテナンスアクションを抽出する。
2,326の未ラベルのOMInレコードから、716のトレーニングペアを保持し、アクション抽出をターゲットとした99の制約付きレコードを追加する。
300人の人による記録では、ARIDはリファレンススタックで84.8%のトークン-F1、デプロイされたJetsonで82.9%に達した。
- 参考スコア（独自算出の注目度）: 8.10713889114366
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Maintenance work orders must often be processed offline on embedded hardware, yet downstream software requires predictable structured output. We present ARID (Aviation-inspired Routing for Industrial Deployment), which extracts component, failure mode, symptom, and maintenance action into fixed-schema JSON on an 8 GB NVIDIA Jetson Orin NX. ARID combines conservative dual-teacher filtering, targeted noise-aware synthesis, one routing decision per work order, 4-bit inference, and grammar-constrained decoding. From 2,326 unlabeled OMIn records, it retains 716 training pairs and adds 99 topology-constrained records targeting action extraction. On 300 human-labeled records, ARID reaches 84.8% token-F1 on the reference stack and 82.9% on the deployed Jetson. Resident serving achieves 5,310/5,656 ms P50/P99 at 12.5 W. On zero-shot MaintNet transfer, semantic F1 falls to 46.4% while parser success remains at least 99.8%, showing that output validity transfers but field semantics do not.
- Abstract（参考訳）: 保守作業の順序は組込みハードウェア上でオフラインで処理されなければならないが、下流ソフトウェアは予測可能な構造化出力を必要とする。
本稿では,8GBのNVIDIA Jetson Orin NX上で,コンポーネント,障害モード,症状,メンテナンス動作を固定スキーマJSONに抽出するARID(Aviation-inspired Routing for Industrial Deployment)を提案する。
ARIDは、保守的な二重教師フィルタリング、目標雑音認識合成、作業順毎のルーティング決定、4ビット推論、文法制約付き復号を組み合わせている。
2,326のラベルなしOMInレコードから、716のトレーニングペアを保持し、アクション抽出をターゲットとした99のトポロジ制約レコードを追加している。
300人の人による記録では、ARIDはリファレンススタックで84.8%のトークン-F1、デプロイされたJetsonで82.9%に達した。
12.5 Wで5,310/5,656 ms P50/P99を達成する。 ゼロショット メインネット転送では、セマンティックF1は46.4%に低下し、パーサーの成功は少なくとも99.8%であり、出力の妥当性は変換されない。
関連論文リスト
- Navigation-Informed Embeddings: Dense-Retriever Adaptation from Agent Search Traces [0.0]
追跡対象の家系であるNIE(Navigation-Informed Embeddings)を紹介する。
NIE-Stopは停止する文書をソフトなポジティブに変え、NIE-Pathは先行するパス文書をハードな比較として使用する。
NIE-Pathは長路性能を55.4に引き上げ、未適応のエンコーダは46.7に向上した。
論文 参考訳（メタデータ） (2026-08-16T23:07:44Z) - Semantic Graph Unification for Industrial Digital Threads: Bridging 11 Heterogeneous Manufacturing Systems Through Ontology-Driven Knowledge Graphs [0.0]
本稿では,産業用デジタルスレッドのセマンティック統一のためのオープンフレームワークを提案する。
オントロジー駆動の知識グラフは、9つのドメインにまたがる11のシミュレーションソースからのデータを統合する。
自動発見エンジンは、システム境界にまたがる洞察を明らかにするために、9つの戦略カテゴリを適用します。
論文 参考訳（メタデータ） (2026-08-11T19:15:07Z) - A Structured Knowledge Infrastructure for Domain-Specific Data Asset Discovery [3.199771721348483]
本稿では,Xiaohongshuの商用広告データウェアハウスに展開する2層ソリューションについて紹介する。
3階層の二重目的知識ベースは、検索と生成の両方に役立っている。
Graph-Guided Retriever (GGR)は、2,859ノードのナレッジグラフを、意図的なルーティングを備えた候補ゲートとして使用して、71.6倍のトークン削減を実現している。
論文 参考訳（メタデータ） (2026-07-30T06:40:05Z) - Desktop-Delta Bench: Do Computer-Use Models Understand Desktop GUI Transitions? [3.9561795512466413]
現在のベンチマークは、主にエンドタスクの成功または単一フレームグラウンドを測定する。
推論、リモート入力、アプリのレンダリング、スクリーンショットキャプチャが非同期であるため、これは難しい。
オフラインのステップレベルベンチマークであるDesktop-Delta Bench (DDB)を紹介した。
論文 参考訳（メタデータ） (2026-07-28T17:49:51Z) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - LocalNav: Distilling Frontier VLMs and Embodied RL for On-Device Object Goal Navigation [53.88286427894783]
視覚言語モデル(VLM)は、ロボット分野において、言語コンテキストによる環境認識を可能にする強力なツールとして登場した。
しかし、彼らの計算フットプリントは、通常、それらをクラウド実行に制限し、リソースに制約のあるロボットへのローカルなデプロイによる低レイテンシの推論を妨げる。
本稿では,大規模フロンティアモデルからの複雑な空間意味推論を,組み込みGPUデバイス上でエッジ実行を行うための軽量な4BパラメータローカルVLMに転送する蒸留戦略を提案する。
論文 参考訳（メタデータ） (2026-06-26T09:11:59Z) - Retrosynthetic Planning with Dual Value Networks [107.97218669277913]
我々は、PDVN(Planning with Dual Value Networks)と呼ばれる新しいオンライントレーニングアルゴリズムを提案する。
PDVNは計画段階と更新段階を交互に行い、分子の合成性とコストを予測する。
広く使われているUSPTOデータセットでは、PDVNアルゴリズムが既存のマルチステッププランナの探索成功率を改善する。
論文 参考訳（メタデータ） (2023-01-31T16:43:53Z)
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。