Online Active Learning for Soft Sensor Development using Semi-Supervised Autoencoders

要約

タイトル：セミスーパーバイズド・オートエンコーダを用いたオンラインアクティブラーニングによるソフトセンサー開発

要約：

・ソフトセンサーは、工業および化学プロセスで広く使用されており、ルーチンな操作中に追跡するのが難しい実際の値を予測するために使用されます。

・これらのセンサーで使用される回帰モデルには、多数のラベル付きの例が必要ですが、品質検査にかかる高い時間とコストを考慮すると、ラベル情報を取得することは非常にコストがかかることがあります。

・この文脈において、アクティブラーニングは、最も情報のあるラベルをクエリすることができるため、非常に有益です。

・しかし、回帰のために提案されたアクティブラーニングの戦略のほとんどは、オフラインの環境に焦点を当てています。

・この研究では、ストリームベースのシナリオに適応し、最も情報のあるデータポイントを選択するためにこれらのアプローチのいくつかを適応したことを示しています。

・また、直交オートエンコーダに基づくセミスーパーバイズドなアーキテクチャを使用して特徴を低次元空間で学習する方法も示しています。

・提案されたアプローチの予測性能を比較するために、テネシー東部プロセスを使用する。

要約(オリジナル)

Data-driven soft sensors are extensively used in industrial and chemical processes to predict hard-to-measure process variables whose real value is difficult to track during routine operations. The regression models used by these sensors often require a large number of labeled examples, yet obtaining the label information can be very expensive given the high time and cost required by quality inspections. In this context, active learning methods can be highly beneficial as they can suggest the most informative labels to query. However, most of the active learning strategies proposed for regression focus on the offline setting. In this work, we adapt some of these approaches to the stream-based scenario and show how they can be used to select the most informative data points. We also demonstrate how to use a semi-supervised architecture based on orthogonal autoencoders to learn salient features in a lower dimensional space. The Tennessee Eastman Process is used to compare the predictive performance of the proposed approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI