Enhancing Manufacturing Quality Prediction Models through the Integration of Explainability Methods

要約

この研究では、説明可能性技術を利用して、フライス加工プロセスの品質を予測する際の機械学習 (ML) モデルのパフォーマンスを増幅する方法を紹介します。これは、このホワイトペーパーで製造のユースケースを通じて実証されています。
この方法論では、ML モデルの初期トレーニングと、それに続く微調整フェーズで、説明可能性の手法を通じて特定された無関係な特徴を削除します。
この手順の改善によりパフォーマンスが向上し、製造コストの潜在的な削減と、トレーニングされた ML モデルのより深い理解への道が開かれます。
この研究は、製造分野における予測モデルの説明と最適化の両方における説明可能性手法の有用性を強調しています。

要約(オリジナル)

This research presents a method that utilizes explainability techniques to amplify the performance of machine learning (ML) models in forecasting the quality of milling processes, as demonstrated in this paper through a manufacturing use case. The methodology entails the initial training of ML models, followed by a fine-tuning phase where irrelevant features identified through explainability methods are eliminated. This procedural refinement results in performance enhancements, paving the way for potential reductions in manufacturing costs and a better understanding of the trained ML models. This study highlights the usefulness of explainability techniques in both explaining and optimizing predictive models in the manufacturing realm.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google