제품 결함의 진단은 제조 분야에서 중요한 과제이며, 기계 학습 기반 접근법은 산업과 학계 모두에서 관심을 받고 있다. 기계 학습 모델을 개발하기 위해서는 고품질 데이터셋이 필요하지만, 제조 산업은 부분적으로 섞인 데이터와 같은 여러 데이터 수집 문제에 직면해 있는데, 이는 제품 ID가 완벽하게 추론되지 못할 때 발생하며 불안정한 기계 학습 모델을 초래한다. 본 논문은 부분적으로 섞인 데이터의 문제를 해결하는 지도학습 모델을 정식화하기 위해 잠재 변수를 도입한다. 실험 결과는 우리의 그래픽 모델이 제품의 순서 섞임(shuffling)을 다룰 수 있으며, 섞임을 무시하는 모델에 비해 결함 제품을 훨씬 더 효과적으로 탐지함을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.