本研究采用开源数据集，结合五种迁移学习方法、决策树回归和人工神经网络构建出六个基于迁移学习的模型，并将其与基线模型进行比较；结果表明，在具有一定相关性的源 CNC 加工数据域中，适当的目标 - 源训练数据大小比例和数据预处理能够提高建模性能。

May, 2023

使用机器学习的视觉和其他传感器技术在增材制造过程中进行现场监测，收集大量数据集，用于确定制造输出的质量和检测缺陷。通过系统回顾，发现在增材制造领域存在影响质量评估和缺陷检测的开放图像数据集的可用性问题。

Jan, 2024

通过机器学习优化处理参数、提高产品质量和检测制造缺陷的方式，提供了有关功能分级材料 (FGMs) 和 3D 打印的相关文献综述，并概述了机器学习方法在定向能量沉积和 FGMs 制造中的应用。

Sep, 2023

本文考察了在增材制造过程中利用计算机视觉和原位监测技术获取大型数据集的可能性，并使用卷积神经网络和主动学习技术对其进行分类和优化，形成可减小数据量与需求的人机协作模型。

Jul, 2023

结合机器学习和物理原理，利用少量标记数据，成功预测了 3D 金属添加制造中的温度和熔池动态。

Jul, 2020

该论文提出了一种自适应人机交互方法，利用机器学习技术自动检测和注释增材制造过程中生成的排放数据，具体来说，论文探讨了使用卷积神经网络（CNNs）自动检查和分类原位监测收集的排放数据，以及应用主动学习技术构建人机交互机制来加速排放数据的标注过程。

Dec, 2022

本文研究了利用机器学习分类红外时间序列数据以预测金属三维打印过程中的过程结果，并发现动态时间规整是一种适合解决这类数据的距离度量方法。

Oct, 2020

该论文论述了深度学习虽然备受欢迎，但在商业分析领域普及存在困难，原因是计算复杂度、数据结构、缺乏透明度（黑匣子）和人才短缺等问题，而且在结构化数据集上无法优于传统的机器学习模型。因此，应该把深度学习视为现有机器学习模型的有力补充，而非通用解决方案。

May, 2022

材料缺陷 (MD) 是影响产品性能并引起相关产品安全问题的主要挑战，通过机器学习 (ML) 技术在材料缺陷检测 (MDD) 中，围绕非监督学习、监督学习、半监督学习、强化学习和生成学习五个类别系统地调查了主要原理和技术，并聚焦于复合材料的缺陷检测技术，最后探讨了 ML 技术在 MDD 中的潜在未来发展方向。

Jun, 2024

通过三步骤的知识可转移性分析框架，提出了一种支持数据驱动式增材制造知识转移的方法，该方法能够在不同的增材制造技术之间进行知识转移，包括数据表示、模型架构和模型参数等方面，为实现高效的跨环境或跨过程知识交流奠定了基础。

Sep, 2023