Aug, 2022

CIPCaD-Bench: 用于因果发现方法基准测试的连续工业过程数据集

PDF
TL;DR为了推动数据驱动的因果关系探测（CD），这项工作引入了两个新的连续制造过程的公共数据集，并提出了一种基于不同度量标准的基准测试程序，以评估广泛的 CD 算法，从而在现实条件下测试 CD 方法并选择适用于特定目标应用的最合适方法。
发现论文，激发创造
  • 基于 PRISMA 的公开数据集系统性回顾：用于工业缺陷检测的基准与模型开发

    近年来，质量控制领域不断利用视频摄像和图像处理集成来进行有效的缺陷检测。然而，开发和改进自动缺陷检测模型所需的带有注释缺陷的全面数据集稀缺，阻碍了进展。本系统性综述涵盖 2015 年至 2023 年，鉴别 15 个公开可用的数据集并对其进行关键评估，以评估其用于基准测试和模型开发的有效性和适用性。研究结果揭示了各种数据集的多样化情况，如 NEU-CLS，NEU-DET，DAGM，KolektorSDD，PCB Defect Dataset 和空心圆柱缺陷检测数据集，每个数据集在图像质量、缺陷类型表示和实际应用方面都有其独特的优势和局限性。本系统性综述的目标是将这些数据集整合到一个地方，为寻找此类公开可用资源的研究人员提供全面参考。

    Jun, 2024

  • 复杂工业系统中的因果发现：一个时序基准

    通过从专家知识构建的因果图，我们提供了一个测试平台，用于从复杂系统的时间序列观测中进行因果推断，我们相信这可以为因果推断方法的发展提供帮助。

    Oct, 2023

  • 制造业视觉缺陷检测基准评估综述

    对现有工业视觉检测基准进行研究，比较和揭示其特征和使用情况，并通过检查工业视觉检测基准的当前状态，揭示基准使用的指导方针。

    May, 2023

  • CausalTime: 用于因果发现基准测试的现实生成时间序列

    使用 CausalTime 流程生成类似真实数据的时间序列，带有地面真实因果图以量化性能评估，该方法为实际应用中评估时间序列因果发现算法提供了可行的解决方案，并可泛化到广泛领域。

    Oct, 2023

  • 在未来的工厂平台上获得的模拟和多模态制造数据集

    本文介绍了两个工业级数据集，这些数据集是在 2023 年 12 月 11 日和 12 日由南卡罗来纳大学的未来工厂实验室收集的。这些数据集是通过使用工业标准的制造装配线生成的，目的是提供工具以进一步研究制造业的智能增强。这些数据集希望填补现有数据集中稀缺的真实制造数据以及带有异常和缺陷的数据的空白，并为研究人员提供建立和训练适用于制造业的人工智能模型的基础。

    Jan, 2024

  • 工业过程异常检测数据集：IPAD

    基于新提出的工业场景视频异常检测数据集和方法，填补了工业视频异常检测领域的空白，推动了视频理解任务和智能工厂部署的进程。

    Apr, 2024

  • 因果发现学习

    本研究测试了一种基于神经网络的数据驱动因果关系发现方法，证明其比现有的人工设计的方法在神经网络和医学数据中表现更优秀。结果表明在已知因果关系的大数据集的监督下，学习因果发现程序是改进神经学和医学数据中因果关系的新途径。

    Sep, 2022

  • PDPK：一种用于制造业的综合流程数据和相应流程知识的框架

    使用一个可用于不同领域的综合数据集生成框架，模拟参数化流程并提供一致的流程数据，将出色的嵌入方法与知识图形进行比较，验证合成数据集的整体特征与真实数据集的可比性。

    Aug, 2023

  • 针对时态和非时态数据的因果发现方法调查

    本研究介绍了因果发现中常用的术语，讨论了用于不同场景中识别因果边的方法，还探讨了用于评估因果发现算法性能的基准数据集、现有工具和常用指标。最后，我们总结了因果发现中存在的常见挑战，并讨论了因果发现在多个领域的应用。

    Mar, 2023

  • 整合监督学习和无监督学习方法揭示关键过程输入

    该研究介绍了一个针对大规模工业过程的机器学习框架，旨在识别影响输出的关键参数，并生成精确的离样品定性和定量预测。该框架使用化学气相沉积作为示例，通过合并专业知识和聚类技术，确定了关键过程输入，并证明在输入众多、数据不足以直接应用深度学习技术的情况下具有价值，为底层过程提供有意义的洞察。

    May, 2024