ME1a 14h06 모델 비교

공통 CAD 위험장 · 실제 입력 실행 점검 · 약한 라벨 진단의 분리

읽는 법. 아래 차트의 CPU forward와 parameter는 실제 입력에 대한 untrained forward/backward smoke 결과입니다. 아래 위험장과 AP/IoU/Dice는 14h06 자체의 10 mm CSV-anchor 약한 라벨로 훈련·평가한 진단입니다. 둘은 서로 다른 질문에 답하며 어느 쪽도 생산 정확도가 아닙니다.

모델군과 실행 확인
AC28 형식 차트·표
공통 CAD 위험장
결과 해석
원본 근거

ME1a model execution and synthetic optimization

AC28 대시보드와 동일한 모델 순서, 가로 막대 3개, 표 7개 열을 사용합니다. 파라미터·CPU forward는 ME1a 실제 입력의 실행 점검입니다. 오른쪽 손실 변화는 라벨과 무관한 2단계 합성 최적화이며, 마지막 열은 별도 14h06 약한 라벨 학습을 같은 실행에서 평가한 값입니다.

ME1a parameters, actual-input CPU forward, two-step synthetic loss reduction — ME1a · Parameters / Actual-input CPU forward / Two-step synthetic loss change

Model	Output domain	Process fusion	Parameters	CPU forward	Synthetic loss, step 1→2	Weak-target training result
2D CNN/U-Net	pixel	FiLM	37,505	49.108 ms	0.036807 → 0.02885 (+21.6%)	loss 1.0845; AP 0.298; IoU 0.143; Dice 0.250
FNO2d	pixel/field	FiLM	229,273	37.980 ms	0.028144 → 0.027425 (+2.6%)	loss 0.7652; AP 0.444; IoU 0.143; Dice 0.250
Dense 3D U-Net	voxel	FiLM	27,249	6.551 ms	0.071276 → 0.066618 (+6.5%)	loss 0.5917; AP 0.097; IoU 0.019; Dice 0.037
Sparse 3D U-Net	sparse voxel	none	46,432	6.479 ms	0.33151 → 0.3143 (+5.2%)	loss 0.6716; AP 0.112; IoU 0.019; Dice 0.037
PointNet	point	none	26,561	6.312 ms	0.0063452 → 0.0011302 (+82.2%)	loss 1.4857; AP 0.076; IoU 0.009; Dice 0.017
DGCNN	point	none	9,025	4.705 ms	0.0090654 → 0.008058 (+11.1%)	loss 1.2980; AP 0.038; IoU 0.065; Dice 0.122
Mesh GNN	CAD node	edge-message	37,777	88.869 ms	0.0017089 → 0.001134 (+33.6%)	loss 1.1624; AP 0.045; IoU 0.021; Dice 0.040
Risk GNN	CAD node + run	edge-message	18,694	29.727 ms	0.77117 → 0.74578 (+3.3%)	loss 1.0229; AP 0.253; IoU 0.036; Dice 0.070
UV-Net	B-Rep face	none	1,601	57.157 ms	0.28433 → 0.28095 (+1.2%)	loss 1.2081; AP 0.011; IoU 0.011; Dice 0.021
Tabular MLP	run	direct concat	11,457	0.047 ms	0.0022657 → 0.0012911 (+43.0%)	loss 3.465e-08; AP 0.001; IoU 0.000; Dice 0.000

CPU 시간은 모델마다 다른 native 입력 크기에서 측정했습니다. 합성 손실은 정확도나 약한 라벨 학습 손실이 아닙니다. 마지막 열은 임시 CSV 유래 약한 라벨에 대한 same-run 진단이며, 모델마다 표현·학습 조건이 달라 일반화 순위로 사용할 수 없습니다. 입력 기록: smoke JSON · 약한 라벨 기록: CAD prediction JSON · 표 수치 JSON · 생성 코드.

공통 CAD 위험장

아래는 동일한 12,324 CAD nodes, 동일 camera 및 0–1 scale에 투영한 14h06 위험장입니다. 회색/coverage 차이는 각 native representation에서 CAD로 옮기는 방식과 범위를 반영합니다.

ME1a 약한 타깃 — weak target 10 mm CSV-anchor mask

FNO2d heatmap — FNO2d AP 0.4438 / IoU 0.1429

2D CNN heatmap — 2D CNN/U-Net AP 0.2978 / IoU 0.1429

Risk GNN heatmap — Risk GNN AP 0.2530 / IoU 0.0360

Mesh GNN heatmap — Mesh GNN AP 0.0448 / IoU 0.0206

all model comparison — all families 원본 공통 CAD 비교

Dense 3D U-Net heatmap — Dense 3D U-Net AP 0.0973 / IoU 0.0190

Sparse 3D U-Net heatmap — Sparse 3D U-Net AP 0.1125 / IoU 0.0187

PointNet heatmap — PointNet AP 0.0761 / IoU 0.0086

DGCNN heatmap — DGCNN AP 0.0382 / IoU 0.0652

UV Net heatmap — UV-Net AP 0.0115 / IoU 0.0105

Tabular MLP heatmap — Tabular MLP AP 0.0011 / IoU 0.0000

해석

관찰	해석 가능한 범위
FNO2d는 기존 계열 중 AP 0.4438로 가장 높다.	같은 14h06 약한 라벨에 대한 순위 진단이다. image mapping coverage는 0.9217이며, 생산 성능을 뜻하지 않는다.
Residual Geo GNN individual은 0.6292 / 0.4762를 기록한다.	단일 run을 학습하고 다시 그 run에서 평가한 별도 12k hard-label 최적화 결과다. GNN이 모든 조건에서 우수하다는 근거가 아니다.
공동 및 held-out에서는 ME1a 수치가 낮다.	공동 12k ME1a AP/IoU는 0.4765/0.0535, held-out은 0.0010/0이다. 현 자료는 새 run 일반화를 보여주지 못한다.
forward time과 weak-label AP가 함께 있다.	time은 CPU smoke의 실행 비용, AP는 별도 weak-label fit의 진단이다. 둘을 결합해 정확도-성능 trade-off로 산정할 수 없다.

원본 근거

실제 입력 smoke report.json · 공통 CAD mapping report.json · 원본 heatmap gallery · 12k Residual Geo GNN CSV · held-out report.json.