Fugu-MT 論文翻訳(概要): Zero-Shot Multi-Class Wafer Map Classification with Rule-Ordered Prompts for Large Multimodal Models

論文の概要: Zero-Shot Multi-Class Wafer Map Classification with Rule-Ordered Prompts for Large Multimodal Models

arxiv url: http://arxiv.org/abs/2610.35080v1
Date: Mon, 26 Oct 2026 09:24:24 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-27 22:27:13.811098
Title: Zero-Shot Multi-Class Wafer Map Classification with Rule-Ordered Prompts for Large Multimodal Models
Title（参考訳）: ルール順序付きプロンプトを用いた大規模マルチモーダルモデルのためのゼロショットマルチクラスウェハマップ分類
Abstract要約: 本稿では,コネクテッドコンポーネントハイライトと形態,位置,排他的プロンプトを組み合わせたトレーニングフリーな6クラスフレームワークを提案する。 Mixed-WM38 (6,866 マップ)では、マルチリージョンプロンプトは92.9%のマクロと93.8%の全体的な精度を実現している。 WM811K(9000の地図)では、それぞれ79.1%と81.3%を達成した。
参考スコア（独自算出の注目度）: 1.5293477050077664
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Wafer-map defect classification often requires labeled data and retraining when production conditions change. We present a training-free six-class framework that combines connected-component highlighting with morphology-, location-, and exclusion-aware prompts for a frozen large multimodal model. On Mixed-WM38 (6,866 maps), multi-region prompting achieves 92.9% macro and 93.8% overall accuracy. On WM811K (9,000 maps), it achieves 79.1% and 81.3%, respectively. Eight alternative rule orders achieve 90.1-91.9% overall accuracy, compared with 93.8% for the selected order.
Abstract（参考訳）: ウェーハマップの欠陥分類は、しばしばラベル付きデータと生産条件が変わったときに再訓練を必要とする。凍結した大規模マルチモーダルモデルに対して,連結コンポーネントハイライトと形態・位置・排他的プロンプトを併用したトレーニングフリーな6クラスフレームワークを提案する。 Mixed-WM38 (6,866 マップ)では、マルチリージョンプロンプトは92.9%のマクロと93.8%の全体的な精度を実現している。 WM811K(9000の地図)では、それぞれ79.1%と81.3%を達成した。 8つの代替規則命令は、全体の90.1-91.9%の精度を達成し、選択された順序は93.8%である。

関連論文リスト

Intern-Decision: Efficient Multimodal Decision Making with Autoregressive Masked Language Modeling [26.882267847221353]
Intern-Decisionは0.8B、2B、4Bマルチモーダル決定モデルである。我々の自己回帰型マスキング言語は、フィールドごとに1つの決定的プレースホルダーを完全なアシスタントスケルトンに配置する。結果は、より大きなエージェントシステムの実用的なコンポーネントとして、コンパクトな決定モデルをサポートする。
論文参考訳（メタデータ） (2026-10-15T16:05:48Z)
From Foundation Embeddings to Cropland Maps: Label Efficiency, Temporal Transferability and Independent Human Validation [0.45998296599540095]
地理空間基盤モデルは、下流マッピングをサポートする衛星画像の再利用可能な表現を提供する。アメリカ合衆国メイン州において,AlphaEarthの年次埋没が二分栽培-無栽培マッピングをサポートするかを評価する。
論文参考訳（メタデータ） (2026-09-15T13:04:35Z)
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)
Scheduling Thoughts: Learning the Order of Thought in Diffusion Language Models [51.21958617138889]
自己認識スケジューリングは、軽量な順序ポリシーを学び、任意の順序と半自己回帰デコーディングの両方にシームレスに適用する。 1B MDMのスドクでは、SASはパズルの精度を82.0%(ベストスケジュール)から91.8%に改善し、第2ステージの微調整で97.5%に達する。 LLaDA-8Bの数学的推論では、ASSはGSM8Kのpass@1を64%から76%に改善し、MBPPは39.5%から41%に改善した。
論文参考訳（メタデータ） (2026-06-22T16:32:25Z)
Automated Proving of Shannon-Type Entropy Inequalities via Fine-Tuned Language Models and Guided Tree Search [50.16356451328644]
シャノン型エントロピーの不等式を証明することは情報理論の基本的な課題である。我々は,原子実証のステップを微調整した小規模大規模言語モデルがこのプロセスを自動化することができるか検討する。 GPT-5.5は0ショットプロンプトで1.7%のサンプルを解き、Psitipは33.3%のサンプルを解いた。
論文参考訳（メタデータ） (2026-06-04T05:43:12Z)
Beyond Correctness: Evaluating Subjective Writing Preferences Across Cultures [87.75098311090642]
現在の選好学習法は、標準ベンチマークで高い精度を達成するが、客観的な品質信号を取り除いた場合、顕著な性能劣化を示す。我々は、8つのクリエイティブな著作ジャンルにまたがる1,800の人手による好みペア(1,200の英語、600の中国語)のデータセットであるWriteingPreferenceBenchを紹介した。
論文参考訳（メタデータ） (2025-10-16T12:23:13Z)
Stacking-Enhanced Bagging Ensemble Learning for Breast Cancer Classification with CNN [0.24578723416255752]
本稿では,乳がん分類のためのBaggingおよびスタックングアンサンブル学習手法に基づくCNN分類ネットワークを提案する。このモデルは入力画像の高速かつ正確な分類を行うことができる。二項分類(乳がんの有無)では、精度は98.84%に達し、5級分類では98.34%に達した。
論文参考訳（メタデータ） (2024-07-15T09:44:43Z)
Common 7B Language Models Already Possess Strong Math Capabilities [61.61442513067561]
本稿では,LLaMA-2 7Bモデルと事前学習を併用したモデルが,すでに強力な数学的能力を示していることを示す。拡張スケーリングの可能性は、公開されている数学の質問の不足によって制限されている。
論文参考訳（メタデータ） (2024-03-07T18:00:40Z)
Automated Identification of Disaster News For Crisis Management Using Machine Learning [0.0]
この研究は、正当性と不正なニュース記事を識別できるモデルを作成するために、この問題に光を当てた。私たちは、ロジスティック回帰(Logistic Regression)、ランダムフォレスト(Random Forest)、マルチノミアル・ネイブベイズ(Multinomial Naive Bayes)という、次の機械学習アルゴリズムを選択しました。このモデルは精度91.07%、精度88.33%、リコール94.64%、F1スコア91.38%に達することができた。
論文参考訳（メタデータ） (2023-01-24T10:13:00Z)
A Multi-resolution Model for Histopathology Image Classification and Localization with Multiple Instance Learning [9.36505887990307]
精度マップを利用して不審な地域を検知し,詳細なグレード予測を行うマルチレゾリューション・マルチインスタンス学習モデルを提案する。このモデルは、830人の患者から20,229のスライドを含む大規模前立腺生検データセットに基づいて開発された。このモデルは92.7%の精度、良性、低等級(中等級)、高等級(中等級)のCohen's Kappa、98.2%の受信機動作特性曲線(AUROC)、平均精度(AP)97.4%の予測を達成した。
論文参考訳（メタデータ） (2020-11-05T06:42:39Z)
Machine-Learning-Based Multiple Abnormality Prediction with Large-Scale Chest Computed Tomography Volumes [64.21642241351857]
19,993症例から36,316巻の胸部CTデータセットを収集,解析した。自由テキストラジオグラフィーレポートから異常ラベルを自動的に抽出するルールベース手法を開発した。胸部CTボリュームの多臓器・多臓器分類モデルも開発した。
論文参考訳（メタデータ） (2020-02-12T00:59:23Z)

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。