論文の概要: Learning When to Transfer: Reinforcement Learning for Carbon-Footprint Modeling in New Manufacturing Domains

• arxiv url: http://arxiv.org/abs/2610.18730v1
• Date: Tue, 13 Oct 2026 17:06:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:02:59.776425
• Title: Learning When to Transfer: Reinforcement Learning for Carbon-Footprint Modeling in New Manufacturing Domains
• Title（参考訳）: 移転時期の学習:新しい製造領域における炭素-食品モデルのための強化学習
• Abstract要約: 製造業者は、この新たなターゲットドメインに対して、信頼できる予測モデルをトレーニングするために十分な操作データが利用可能になる前に、新しい材料、プロセス、製品を特徴付ける必要があることが多い。 既存の製造作業は、この特徴を加速するための潜在的に有用な知識を含んでいるが、既存のソースドメインからのデータの無差別な再利用は、新しいターゲットドメインの学習において負の転送を引き起こす可能性がある。 本研究は,選択的知識伝達のための強化学習手法を提案する。報奨は,指導的代替案に対する伝達機会ごとにスコアを付けるため,後から診断されるのではなく,前向きの予測において負の伝達を回避・制御する。
• 参考スコア（独自算出の注目度）: 5.548949834680307
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Manufacturers often need to characterize a new material, process, or product before enough operating data are available to train reliable predictive models for this new, target domain. Existing manufacturing operations contain potentially useful knowledge to accelerate this characterization, but indiscriminate reuse of data from existing source domains can cause negative transfer in learning of the new, target domain when the manufacturing domains differ sufficiently. This work proposes a reinforcement-learning method for selective knowledge transfer, where its reward scores each opportunity to transfer against supervised alternatives, so negative transfer is avoided and controlled during forward prediction instead of being diagnosed afterwards. Given limited data from a new target domain, the learned policy chooses among predictors based on individual source operations, subsets of the sources, or the supervised alternatives: fully pooled sources, or target data alone. A validation gate deploys the transferred prediction only when it improves upon the supervised alternatives. The method is designed for learning variables supporting carbon accounting, as well as performance and quality outcomes. We demonstrate the approach by quantifying the embodied greenhouse-gas emissions of parts produced via material-extrusion additive manufacturing, using data from 729 experiments spanning five materials: ABS, PETG, TPU, PLA, and recycled PLA. The response combines measured fabrication electricity with polymer-specific cradle-to-gate production factors, while 22 material, process, and toolpath features characterize each experiment. In leave-one-material-out evaluation, this method achieves a mean test RMSE of 5.2 g CO2e per part, 20.00% lower than target-only training (32.5% lower when only 5-10% of the target training data are available) and 10.30% lower than indiscriminate source-target pooling.
• Abstract（参考訳）: 製造業者は、この新たなターゲットドメインに対して、信頼できる予測モデルをトレーニングするために十分な操作データが利用可能になる前に、新しい材料、プロセス、製品を特徴付ける必要があることが多い。 既存の製造作業は、この特徴を加速する潜在的に有用な知識を含んでいるが、既存のソースドメインからのデータの無差別な再利用は、製造ドメインが十分に異なる場合に、新しいターゲットドメインの学習において負の伝達を引き起こす可能性がある。 本研究は,選択的知識伝達のための強化学習手法を提案する。この手法では,報酬が指導的選択肢に対する伝達機会ごとにスコア付けされるので,後から診断されるのではなく,前向きの予測時に負の伝達が回避され制御される。 新しいターゲットドメインからの限られたデータに対して、学習されたポリシは、個々のソース操作、ソースのサブセット、あるいは教師付き代替(完全なプールされたソース、あるいはターゲットデータのみ)に基づいて、予測者の中から選択する。 検証ゲートは、監督された代替手段を改善する場合にのみ、転送された予測をデプロイする。 本手法は, 炭素会計支援変数の学習, 性能評価, 品質評価を行うために設計されている。 ABS,PETG,TPU,PLA,リサイクルPLAの5つの材料にまたがる729の実験から得られたデータを用いて,物質押出添加による部品の温室効果ガス排出量の定量化を行った。 反応は、測定された製造電気とポリマー特有のクレードル・トゥ・ゲート生成因子を組み合わせ、22の材料、プロセス、およびツールパスがそれぞれの実験を特徴付ける。 本手法は,1部あたり5.2gのCO2eの平均試験RMSEを目標専用トレーニングより20.00%低く(目標トレーニングデータの5～10%しか利用できない場合,32.5%以下),無差別なソース・ターゲット・プールよりも10.30%低い値で達成する。

関連論文リスト

• Foundation-Model Surrogates Enable Data-Efficient Active Learning for Materials Discovery [12.870479903068665]
  In-Context Active Learningは従来のサロゲートをTabPFNに置き換える。 TabPFNは、何百万もの合成回帰タスクで事前訓練されたトランスフォーマーベースの基礎モデルである。 強力な小さなデータレグレッションパフォーマンスと、十分にキャリブレーションされた予測の不確実性を提供します。
  論文  参考訳（メタデータ） (2026-03-13T01:57:09Z)
• Learn from the Learnt: Source-Free Active Domain Adaptation via Contrastive Sampling and Visual Persistence [60.37934652213881]
  ドメイン適応(DA)は、ソースドメインから関連するターゲットドメインへの知識伝達を容易にする。 本稿では、ソースデータフリーなアクティブドメイン適応(SFADA)という実用的なDAパラダイムについて検討する。 本稿では,学習者学習(LFTL)というSFADAの新たなパラダイムを紹介し,学習した学習知識を事前学習モデルから活用し,余分なオーバーヘッドを伴わずにモデルを積極的に反復する。
  論文  参考訳（メタデータ） (2024-07-26T17:51:58Z)
• Domain adaption and physical constrains transfer learning for shale gas production [0.26440512250125126]
  本稿では,ドメイン適応と物理制約を利用した新しい移動学習手法を提案する。 この手法は、データ分散の観点からの負の転送を減らすために、ソースドメインからの履歴データを効果的に活用する。 掘削, 完成, 地質データを物理的制約として組み込むことで, ハイブリッドモデルを構築する。
  論文  参考訳（メタデータ） (2023-12-18T04:13:27Z)
• Forecasting Workload in Cloud Computing: Towards Uncertainty-Aware Predictions and Transfer Learning [1.5749416770494704]
  予測の不確かさをモデル化することは、性能に肯定的な影響を及ぼすことを示す。 モデルが異なるドメイン間での伝達学習能力に有益かどうかを検討する。
  論文  参考訳（メタデータ） (2023-02-24T14:51:30Z)
• Uncertainty-guided Source-free Domain Adaptation [77.3844160723014]
  ソースフリードメイン適応(SFDA)は、事前訓練されたソースモデルのみを使用することで、未ラベルのターゲットデータセットに分類器を適応させることを目的としている。 本稿では、ソースモデル予測の不確実性を定量化し、ターゲット適応の導出に利用することを提案する。
  論文  参考訳（メタデータ） (2022-08-16T08:03:30Z)
• Understanding Programmatic Weak Supervision via Source-aware Influence Function [76.74549130841383]
  Programmatic Weak Supervision (PWS)は、複数の弱い監督ソースのソース投票を確率的トレーニングラベルに集約する。 エンドモデルのトレーニング目標を分解し、各(データ、ソース、クラス)に関連する影響を計算するために、インフルエンス関数(IF)を構築します。 これらのプリミティブな影響スコアは、ソース投票、監督ソース、トレーニングデータなど、個々のコンポーネントPWSの影響を推定するために使用することができる。
  論文  参考訳（メタデータ） (2022-05-25T15:57:24Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Distill and Fine-tune: Effective Adaptation from a Black-box Source Model [138.12678159620248]
  Unsupervised Domain Adapt (UDA) は、既存のラベル付きデータセット (source) の知識を新しいラベル付きデータセット (target) に転送することを目的としています。 Distill and Fine-tune (Dis-tune) という新しい二段階適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-04T05:29:05Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)

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。