面向焊接质量监测的字面感知知识图谱嵌入：博世案例
人工智能
2023-08-03 v1
摘要
近来出现了一系列关于知识图谱嵌入（KGE）的研究，其试图通过机器学习（ML）将实体与关系学习为数值向量与数学映射。然而，将 KGE 应用于制造业工业问题的研究十分有限。本文探讨 KGE 能否以及在多大程度上可用于一个重要问题：制造业中的焊接质量监测，该过程影响每年数百万辆汽车的生产。本工作契合博世关于数据驱动解决方案的研究，旨在取代极其昂贵且产生浪费的传统的销毁汽车方式。本文同时解决两个极具挑战性的问题：焊点直径多大；以及焊点属于哪个车身。由于存在大量应被赋为类标签的车身，该问题设定对传统 ML 而言十分困难。我们将其表述为链接预测，并在考虑字面量的真实工业数据上实验了流行的 KGE 方法。我们的结果揭示了改进后 KGE 方法的局限性与有前景的方面。
引用
@article{arxiv.2308.01105,
title = {Literal-Aware Knowledge Graph Embedding for Welding Quality Monitoring: A Bosch Case},
author = {Zhipeng Tan and Baifan Zhou and Zhuoxun Zheng and Ognjen Savkovic and Ziqi Huang and Irlan-Grangel Gonzalez and Ahmet Soylu and Evgeny Kharlamov},
journal= {arXiv preprint arXiv:2308.01105},
year = {2023}
}
备注
Paper accepted at ISWC2023 In-Use track