論文の概要: Uncertainty-aware Feedback Loop Diagnosis: integrating reinforcement learning and conformal prediction for reliable wafer defect classification

• arxiv url: http://arxiv.org/abs/2610.40421v1
• Date: Thu, 29 Oct 2026 16:45:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.540846
• Title: Uncertainty-aware Feedback Loop Diagnosis: integrating reinforcement learning and conformal prediction for reliable wafer defect classification
• Title（参考訳）: 不確かさを意識したフィードバックループ診断:信頼性ウエハ欠陥分類のための強化学習と共形予測の統合
• Abstract要約: 不確かさを意識したフィードバックループ診断(UFLD)は適応的測定取得に強化学習を利用する新しいアルゴリズムである。 UFLDは取得時間を約40%削減し、980.4%の検査精度を実現している。
• 参考スコア（独自算出の注目度）: 43.57338639836868
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semiconductor manufacturing is a complex, multi-step process that requires both high precision and low operating costs. Therefore, detecting defects in a high-volume setting is an important component of wafer map analysis for reliable production. However, most state-of-the-art deep learning approaches require a full scan of the surface, which hinders the development of high-throughput inspection systems. To address this problem, we propose Uncertainty-aware Feedback Loop Diagnosis (UFLD), a novel algorithm that employs reinforcement learning for adaptive measurement acquisition and provides a prediction uncertainty level after each step, stopping the process once sufficient information is obtained. Unlike existing methods that rely on ensemble models or auxiliary confidence estimation deep learning models, UFLD utilizes a more parameter-efficient conformal prediction framework to determine the optimal stopping time. The proposed UFLD reduces acquisition time by about $40\%$ and achieves $98.4\%$ inspection accuracy, without requiring an additional learned confidence-estimation network. We validated our approach on the MixedWM38 dataset, demonstrating its advantages over existing adaptive acquisition procedures and standard convolutional neural networks.
• Abstract（参考訳）: 半導体製造は、高精度と低動作コストの両方を必要とする複雑な多段階プロセスである。 したがって、高ボリューム設定における欠陥の検出は、信頼性の高い生産のためのウェハマップ解析の重要な構成要素である。 しかし、最先端のディープラーニングアプローチでは表面をフルスキャンする必要があるため、高スループット検査システムの開発を妨げている。 この問題に対処するため,適応測定取得に強化学習を導入し,各ステップ後に予測不確実性レベルを提供する新しいアルゴリズムである不確実性対応フィードバックループ診断(UFLD)を提案する。 アンサンブルモデルや補助的信頼推定ディープラーニングモデルに依存する既存の手法とは異なり、UFLDは最適な停止時間を決定するためにパラメータ効率の良い共形予測フレームワークを使用している。 提案したUFLDは、追加の学習信頼度推定ネットワークを必要とせず、取得時間を約40 %削減し、検査精度9,8.4 %を達成する。 我々は、MixedWM38データセットに対するアプローチを検証し、既存の適応的な取得手順や標準畳み込みニューラルネットワークに対する利点を実証した。

関連論文リスト

• Variational meta-learning inference for low dimensional neural system identification [0.5505634045241289]
  近年,モデルパラメータをメタ学習型低次元多様体に制限することにより,データ効率の問題に対処する。 本稿では,アモータライズされた変分推論に基づく,多様体メタラーニングフレームワークの完全な確率的拡張を提案する。 タスク特異的な適応では,A Posteriori 推定とLaplace 近似を組み合わせ,数学的に接地した後部近似を生成する。
  論文  参考訳（メタデータ） (2026-07-21T10:55:48Z)
• A plug-and-play approach with fast uncertainty quantification for weak lensing mass mapping [1.3961439504279125]
  EuclidやRubinといった今後のステージIV調査では、大量の高精度なデータを提供する予定だ。 この過程における重要なステップは、ノイズの弱いレンズ測定から暗黒物質の再構成である。 現在の深層学習に基づくマッピング手法は、再現精度が高いが、新しい空域ごとにモデルを再訓練する必要がある。 弱レンズ質量マッピングのためのプラグアンドプレイアプローチであるMassを導入する。
  論文  参考訳（メタデータ） (2026-03-23T14:12:48Z)
• Calibrated Bayesian Deep Learning for Explainable Decision Support Systems Based on Medical Imaging [6.826979426009301]
  モデルが予測精度と相関する方法で不確実性を定量化し、臨床医がさらなるレビューのために信頼できないアウトプットを特定できることが不可欠である。 本稿では,ベイズ深層学習に基づく一般化可能な確率的最適化フレームワークを提案する。 特に、信頼性・不確実性境界損失(CUB-Loss)が新しく導入され、高い精度の誤差と低い精度の正確な予測に罰則が課せられる。 提案手法は, 肺炎の自動スクリーニング, 糖尿病性網膜症検出, 皮膚病変の同定という, 3つの異なる医用画像処理課題に対して検証された。
  論文  参考訳（メタデータ） (2026-02-12T14:03:41Z)
• Selective Learning: Towards Robust Calibration with Dynamic Regularization [79.92633587914659]
  ディープラーニングにおけるミススキャリブレーションとは、予測された信頼とパフォーマンスの間には相違がある、という意味である。 トレーニング中に何を学ぶべきかを学ぶことを目的とした動的正規化(DReg)を導入し、信頼度調整のトレードオフを回避する。
  論文  参考訳（メタデータ） (2024-02-13T11:25:20Z)
• U-PASS: an Uncertainty-guided deep learning Pipeline for Automated Sleep Staging [61.6346401960268]
  プロセスの各段階で不確実性推定を組み込んだ臨床応用に適した,U-PASSと呼ばれる機械学習パイプラインを提案する。 不確実性誘導型ディープラーニングパイプラインを睡眠ステージングの困難な問題に適用し、各ステージにおけるパフォーマンスを体系的に改善することを示す。
  論文  参考訳（メタデータ） (2023-06-07T08:27:36Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• A Learning-Based Optimal Uncertainty Quantification Method and Its Application to Ballistic Impact Problems [1.713291434132985]
  本稿では、入力(または事前)測度が部分的に不完全であるシステムに対する最適(最大および無限)不確実性境界について述べる。 本研究では,不確実性最適化問題に対する学習基盤の枠組みを実証する。 本手法は,工学的実践における性能証明と安全性のためのマップ構築に有効であることを示す。
  論文  参考訳（メタデータ） (2022-12-28T14:30:53Z)
• Uncertainty Estimation Using a Single Deep Deterministic Neural Network [66.26231423824089]
  本稿では,1回のフォワードパスで,テスト時に分布データポイントの発見と拒否が可能な決定論的ディープモデルを訓練する手法を提案する。 我々は,新しい損失関数とセントロイド更新方式を用いて,これらをスケールトレーニングし,ソフトマックスモデルの精度に適合させる。
  論文  参考訳（メタデータ） (2020-03-04T12:27:36Z)

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。