Literal-Aware Knowledge Graph Embedding for Welding Quality Monitoring: A Bosch Case

要約

最近、機械学習 (ML) を介してエンティティと関係の埋め込みを数値ベクトルおよび数学的マッピングとして学習しようとするナレッジ グラフ 埋め込み (KGE) に関する一連の研究が行われています。
しかし、製造における産業上の問題に KGE を適用する研究は限られています。
この論文では、KGE が重要な問題、つまり年間数百万台の自動車生産に影響を与える重要なプロセスである製造業における溶接の品質監視に使用できるかどうか、またどの程度まで使用できるかを調査します。
この取り組みは、非常にコストがかかり、廃棄物も発生する従来の自動車の破壊方法に代わることを目的としたデータ駆動型ソリューションに関するボッシュの研究と一致しています。
この論文では、溶接スポットの直径はどれくらいであるかという 2 つの非常に難しい問題に同時に取り組んでいます。
溶接箇所がどの車体に属するか。
従来の ML では、クラス ラベルとして割り当てる必要がある車体が多数存在するため、問題設定が困難です。
私たちは問題をリンク予測として定式化し、リテラルを考慮して実際の業界データに対して一般的な KGE 手法を実験しました。
私たちの結果は、適応された KGE 法の限界と有望な側面の両方を明らかにします。

要約(オリジナル)

Recently there has been a series of studies in knowledge graph embedding (KGE), which attempts to learn the embeddings of the entities and relations as numerical vectors and mathematical mappings via machine learning (ML). However, there has been limited research that applies KGE for industrial problems in manufacturing. This paper investigates whether and to what extent KGE can be used for an important problem: quality monitoring for welding in manufacturing industry, which is an impactful process accounting for production of millions of cars annually. The work is in line with Bosch research of data-driven solutions that intends to replace the traditional way of destroying cars, which is extremely costly and produces waste. The paper tackles two very challenging questions simultaneously: how large the welding spot diameter is; and to which car body the welded spot belongs to. The problem setting is difficult for traditional ML because there exist a high number of car bodies that should be assigned as class labels. We formulate the problem as link prediction, and experimented popular KGE methods on real industry data, with consideration of literals. Our results reveal both limitations and promising aspects of adapted KGE methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google