A sequential cross-product knowledge accumulation, extraction and transfer framework for machine learning-based production process modelling
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Machine learning is a promising method to model production processes and predict product quality. It is challenging to accurately model complex systems due to data scarcity, as mass customisation leads to various high-variety low-volume products. This study conceptualised knowledge accumulation, extraction, and transfer (KAET) to exploit the knowledge embedded in similar entities to address data scarcity. A sequential cross-product KAET (SeqTrans) is proposed to conduct KAET, integrating data preparation and preprocessing, feature selection (FS), feature learning (FL), and transfer learning (TL). The FS and FL modules conduct knowledge extraction and help address various practical challenges such as changing operating conditions and unbalanced datasets. In this paper, sequential TL is introduced to production modelling to conduct knowledge transfer among multiple entities. The first case study of auxetic material performance prediction demonstrates the effectiveness of sequential TL. Compared with conventional TL, sequential TL can achieve the same test mean square errors with 300 fewer training examples when facing data scarcity. In the second case study, balancing anomaly detection models were constructed for two gas turbines in the same series using real-world production data. With SeqTrans, the F1-score of the anomaly detection model of the data-poor engine was improved from 0.769 to 0.909.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle