論文の概要: Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study

• arxiv url: http://arxiv.org/abs/2610.09848v1
• Date: Wed, 07 Oct 2026 11:07:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.870295
• Title: Stream-Based Active Learning with Cooperative Neural Networks for Data-Efficient Partial Inverse Design: An Automotive Glass Run Channel Case Study
• Title（参考訳）: データ効率の良い部分逆設計のための協調ニューラルネットワークを用いたストリームベースアクティブラーニング:自動車用ガラスランチャネルケーススタディ
• Abstract要約: CoNN-ALはデータ効率のよい部分的逆設計のためのフレームワークである。 これは、Denoising Autoencoderを備えたCooperative Neural Networkにストリームベースのアクティブラーニングを追加する。 我々は、90万以上のユニークなシミュレートされたデザインの実際の自動車ガラスランチャネルデータセット上で、このフレームワークを検証する。
• 参考スコア（独自算出の注目度）: 2.509587033631627
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Inverse design in engineering often runs into a simple problem. Each labeled training sample must be produced through expensive simulation, so building a large dataset is slow and costly. This study addresses that problem for partial inverse design, where only some design variables are specified and the rest must be inferred to reach a target performance value. We propose CoNN-AL, a framework for data-efficient partial inverse design that adds stream-based active learning to the Cooperative Neural Network with Denoising Autoencoder (CoNN-DAE). The model estimates predictive uncertainty through Monte Carlo dropout and uses it to decide, in real time, which incoming candidate samples are worth labeling, so the limited labeling budget is spent on the most informative designs. We validate the framework on a real-world automotive glass run channel dataset of more than 900,000 unique simulated designs. With only 20,000 actively selected labels, about 2.3% of the training pool, CoNN-AL reaches R-squared values of 0.967 to 0.982 across all missing-variable levels, approaching the upper-bound models trained on far more data. It reaches R-squared of at least 0.95 with 30 to 40% fewer labels than random sampling at the more difficult missing-variable levels and, at the most challenging level, is the only strategy in this study to reach R-squared of 0.98. Together with this work, we publicly release the dataset to support future research on data-driven design.
• Abstract（参考訳）: 工学における逆設計はしばしば単純な問題に陥る。 各ラベル付きトレーニングサンプルは高価なシミュレーションで作成する必要があるため、大規模なデータセットの構築は遅くてコストがかかる。 本研究は,一部の設計変数のみを指定し,残りを推定して目標性能値に到達しなければならない部分的逆設計の問題に対処する。 本稿では,CoNN-ALを提案する。これは,CoNN-DAE(Cooperative Neural Network with Denoising Autoencoder)にストリームベースのアクティブラーニングを追加する,データ効率のよい部分的逆設計のためのフレームワークである。 このモデルはモンテカルロのドロップアウトを通じて予測の不確実性を推定し、それを使用して、どの候補サンプルがラベル付けに値するかをリアルタイムで決定するので、限られたラベル付け予算は最も有益な設計に費やされる。 我々は、90万以上のユニークなシミュレートされたデザインの実際の自動車ガラスランチャネルデータセット上で、このフレームワークを検証する。 トレーニングプールの約2.3%にあたる2万のラベルしか選択されておらず、CNN-ALはすべての欠落レベルにおいて0.967から0.982のR2乗値に達し、はるかに多くのデータでトレーニングされた上位モデルに接近した。 少なくとも0.95のR-2乗に到達し、より難易度の高いランダムサンプリングよりも30～40%少ないラベルを持つことができ、最も難しいレベルでは、この研究でR-2乗の0.98に到達した唯一の戦略である。 この作業とともに、データ駆動設計に関する将来の研究をサポートするデータセットを公開しています。

関連論文リスト

• Learnability-Guided Diffusion for Dataset Distillation [51.56484100374058]
  本稿では, 連続的な段階を通して段階的に合成データセットを構成する学習可能性駆動型データセット蒸留法を提案する。 本稿では,学習可能性誘導拡散(LGD)について紹介する。これは,現在のモデルのトレーニングユーティリティと基準モデルの下での妥当性のバランスをとり,カリキュラムに整合したサンプルを生成する。 提案手法は,トレーニング段階間の専門化を促進し,ImageNet-1K (60.1%), ImageNette (87.2%), ImageWoof (72.9%) の最先端結果を実現する。
  論文  参考訳（メタデータ） (2026-04-01T06:04:59Z)
• Partial Inverse Design of High-Performance Concrete Using Cooperative Neural Networks for Constraint-Aware Mix Generation [2.08099858257632]
  高性能コンクリートは、相互依存変数と実用的な制約を含む複雑な混合設計決定を必要とする。 本研究では,高性能コンクリートの部分的逆設計のための協調型ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-07T12:14:56Z)
• RecFlow: An Industrial Full Flow Recommendation Dataset [66.06445386541122]
  産業レコメンデーションシステムは、商品をユーザに届ける際の効率性と効率のバランスをとるために、多段階パイプラインに依存している。 オフラインRSベンチマークと実際のオンライン環境とのギャップを埋めるために設計された産業用フルフローレコメンデーションデータセットであるRecFlowを紹介します。 我々のデータセットは、約9万項目にわたる42Kユーザからの38万のインタラクションで構成され、37日間にわたる9.3Mオンラインリクエストから収集された1.9Bステージサンプルと6ステージにまたがる。
  論文  参考訳（メタデータ） (2024-10-28T09:36:03Z)
• No "Zero-Shot" Without Exponential Data: Pretraining Concept Frequency Determines Multimodal Model Performance [68.18779562801762]
  マルチモーダルモデルは、下流の"ゼロショット"のパフォーマンスを線形改善するために、指数関数的に多くのデータを必要とする。 本研究は,大規模な訓練パラダイムの下での「ゼロショット」一般化能力の鍵となる訓練データに対する指数関数的要求を明らかにする。
  論文  参考訳（メタデータ） (2024-04-04T17:58:02Z)
• How Much Data are Enough? Investigating Dataset Requirements for Patch-Based Brain MRI Segmentation Tasks [74.21484375019334]
  ディープニューラルネットワークを確実にトレーニングするには、大規模なデータセットへのアクセスが必要である。 モデル開発に関連する時間的・経済的コストを緩和するためには,満足度の高いモデルをトレーニングするために必要なデータの量を明確に理解することが重要である。 本稿では,パッチベースのセグメンテーションネットワークのトレーニングに必要なアノテートデータの量を推定するための戦略的枠組みを提案する。
  論文  参考訳（メタデータ） (2024-04-04T13:55:06Z)
• Rock Classification Based on Residual Networks [4.256045122451066]
  岩盤分類の問題に対処するために,残差ニューラルネットワークを用いた2つのアプローチを提案する。 ResNet34に基づくカーネルサイズや正規化メソッド,コンポジションを変更することで,テストデータセット上での精度を70.1%向上する。 マルチヘッド・セルフ・アテンションを組み込んだBoTNetのようなバックボーンを使って、モデルの内部残余接続も利用しています。 これにより、モデルのパフォーマンスが向上し、テストデータセットで73.7%の精度が達成される。
  論文  参考訳（メタデータ） (2024-02-19T04:45:15Z)
• RID-Noise: Towards Robust Inverse Design under Noisy Environments [30.58112077143225]
  条件付き可逆ニューラルネットワーク(cINN)を学習するための雑音下でのロバスト逆設計(RID-Noise)を提案する。 本稿では,前向きニューラルネットワークの予測誤差を用いて,設計パラメータのロバスト性をその予測可能性によって推定する。 実験の結果から, RID-Noiseがデータから分布とロバスト性を学ぶことによって, どのように機能するかを明確にする。
  論文  参考訳（メタデータ） (2021-12-07T06:32:27Z)
• Model Composition: Can Multiple Neural Networks Be Combined into a Single Network Using Only Unlabeled Data? [6.0945220518329855]
  本稿では,ラベルなしデータを用いた複数のトレーニングニューラルネットワークの組み合わせについて検討する。 提案手法は, ラベルのないデータから収集した疑似ラベルの生成, フィルタリング, 集約を利用する。 本手法は任意のアーキテクチャとカテゴリを持つ任意の入力モデルの使用をサポートする。
  論文  参考訳（メタデータ） (2021-10-20T04:17:25Z)
• GI-NNet \& RGI-NNet: Development of Robotic Grasp Pose Models, Trainable with Large as well as Limited Labelled Training Datasets, under supervised and semi supervised paradigms [0.0]
  私たちは、ロボットが適切な把握を素早く生成し実行することを学ぶのを助けるために、ディープラーニング技術を使用します。 我々は、見えない物体だけでなく、見えない物体にも対足ロボットの把握を生成できるジェネレーティブ・インセプション・ニューラル・ニューラルネットワーク(GI-NNet)モデルを開発した。
  論文  参考訳（メタデータ） (2021-07-15T16:55:49Z)
• ANNETTE: Accurate Neural Network Execution Time Estimation with Stacked Models [56.21470608621633]
  本稿では,アーキテクチャ検索を対象ハードウェアから切り離すための時間推定フレームワークを提案する。 提案手法は,マイクロカーネルと多層ベンチマークからモデルの集合を抽出し,マッピングとネットワーク実行時間推定のためのスタックモデルを生成する。 生成した混合モデルの推定精度と忠実度, 統計モデルとルーフラインモデル, 評価のための洗練されたルーフラインモデルを比較した。
  論文  参考訳（メタデータ） (2021-05-07T11:39:05Z)
• 2nd Place Scheme on Action Recognition Track of ECCV 2020 VIPriors Challenges: An Efficient Optical Flow Stream Guided Framework [57.847010327319964]
  我々は、小さなデータセットでモデルをスクラッチからトレーニングできるデータ効率フレームワークを提案する。 具体的には、3D中心差分畳み込み演算を導入することで、新しいC3Dニューラルネットワークベースの2ストリームフレームワークを提案する。 提案手法は,大規模データセット上で事前学習したモデルがなくても,有望な結果が得られることを実証した。
  論文  参考訳（メタデータ） (2020-08-10T09:50:28Z)

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。