Enhancing Obsolescence Forecasting with Deep Generative Data Augmentation: A Semi-Supervised Framework for Low-Data Industrial Applications

要約

電子部品の陳腐化という課題は、ライフサイクルの長いシステムにおいて特に重要である。その影響を軽減するために様々な陳腐化管理手法が採用されており、中でも陳腐化予測は非常に注目されている著名なアプローチである。その結果、数多くの機械学習ベースの予測手法が提案されてきた。しかしながら、機械学習モデルは、高精度を達成するために相当量の関連データを必要とするが、これは現在の陳腐化状況には欠けている状況もある。本研究では、ディープラーニングに基づく陳腐化予測のための新しいフレームワークを導入する。提案するフレームワークは、深層生成モデリングによって利用可能なデータの不足を解決するものであり、新たな陳腐化事例が生成され、学習データセットの補強に用いられる。増強されたデータセットは、古典的な機械学習ベースの陳腐化予測モデルを訓練するために使用される。拡張データセットを用いて古典的な予測モデルを訓練するために、既存の古典的な教師あり学習分類器を、このフレームワークの中で半教師あり学習に適応させる。提案するフレームワークは、ベンチマークデータセットにおいて最先端の結果を示す。

要約(オリジナル)

The challenge of electronic component obsolescence is particularly critical in systems with long life cycles. Various obsolescence management methods are employed to mitigate its impact, with obsolescence forecasting being a highly sought-after and prominent approach. As a result, numerous machine learning-based forecasting methods have been proposed. However, machine learning models require a substantial amount of relevant data to achieve high precision, which is lacking in the current obsolescence landscape in some situations. This work introduces a novel framework for obsolescence forecasting based on deep learning. The proposed framework solves the lack of available data through deep generative modeling, where new obsolescence cases are generated and used to augment the training dataset. The augmented dataset is then used to train a classical machine learning-based obsolescence forecasting model. To train classical forecasting models using augmented datasets, existing classical supervised-learning classifiers are adapted for semi-supervised learning within this framework. The proposed framework demonstrates state-of-the-art results on benchmarking datasets.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL