Enhancing Industrial Transfer Learning with Style Filter: Cost Reduction and Defect-Focus

要約

産業分野におけるデータ不足の課題に対処するため、転移学習は極めて重要なパラダイムとして浮上しています。
この作品では、産業の状況に合わせて調整された方法論であるスタイル フィルターを紹介します。
スタイル フィルターは、知識の伝達前にソース ドメイン データを選択的にフィルタリングすることで、データ量を削減しながら、伝達学習戦略のパフォーマンスを維持または向上させます。
ラベルフリーの操作、事前知識への最小限の依存、特定のモデルからの独立性、および再利用を提供するスタイル フィルターは、本物の産業データセットで評価され、ディープ ラーニング ドメインで従来の転送戦略の前に採用された場合の有効性が強調されています。
この結果は、実際の産業用途におけるスタイル フィルターの有効性を強調しています。

要約(オリジナル)

Addressing the challenge of data scarcity in industrial domains, transfer learning emerges as a pivotal paradigm. This work introduces Style Filter, a tailored methodology for industrial contexts. By selectively filtering source domain data before knowledge transfer, Style Filter reduces the quantity of data while maintaining or even enhancing the performance of transfer learning strategy. Offering label-free operation, minimal reliance on prior knowledge, independence from specific models, and re-utilization, Style Filter is evaluated on authentic industrial datasets, highlighting its effectiveness when employed before conventional transfer strategies in the deep learning domain. The results underscore the effectiveness of Style Filter in real-world industrial applications.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google