論文の概要: A multi-stage semi-supervised improved deep embedded clustering
(MS-SSIDEC) method for bearing fault diagnosis under the situation of
insufficient labeled samples
- arxiv url: http://arxiv.org/abs/2109.13521v1
- Date: Tue, 28 Sep 2021 06:49:40 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-29 14:52:49.959971
- Title: A multi-stage semi-supervised improved deep embedded clustering
(MS-SSIDEC) method for bearing fault diagnosis under the situation of
insufficient labeled samples
- Title（参考訳）: 多段型半教師付き改良型深部埋め込みクラスタリング(ms-ssidec)法によるラベル付きサンプルの不足状況下での故障診断
- Authors: Tongda Sun, Gang Yu
- Abstract要約: 実際の産業プロセスでデータにラベルをつけるのに多くの労力と時間を要するため、インテリジェントな故障診断手法の適用が困難になる。
この問題を解決するために,多段階半教師付き改良深層クラスタリング法(MS-SSIDEC)を提案する。
本手法は,事前学習,深層クラスタリング,教師付き学習の3段階を含む。
- 参考スコア（独自算出の注目度）: 20.952315351460527
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Intelligent data-driven fault diagnosis methods have been widely applied, but
most of these methods need a large number of high-quality labeled samples. It
costs a lot of labor and time to label data in actual industrial processes,
which challenges the application of intelligent fault diagnosis methods. To
solve this problem, a multi-stage semi-supervised improved deep embedded
clustering (MS-SSIDEC) method is proposed for the bearing fault diagnosis under
the insufficient labeled samples situation. This method includes three stages:
pre-training, deep clustering and enhanced supervised learning. In the first
stage, a skip-connection based convolutional auto-encoder (SCCAE) is proposed
and pre-trained to automatically learn low-dimensional representations. In the
second stage, a semi-supervised improved deep embedded clustering (SSIDEC)
model that integrates the pre-trained auto-encoder with a clustering layer is
proposed for deep clustering. Additionally, virtual adversarial training (VAT)
is introduced as a regularization term to overcome the overfitting in the
model's training. In the third stage, high-quality clustering results obtained
in the second stage are assigned to unlabeled samples as pseudo labels. The
labeled dataset is augmented by those pseudo-labeled samples and used to train
a bearing fault discriminative model. The effectiveness of the method is
evaluated on the Case Western Reserve University (CWRU) bearing dataset. The
results show that the method can not only satisfy the semi-supervised learning
under a small number of labeled samples, but also solve the problem of
unsupervised learning, and has achieved better results than traditional
diagnosis methods. This method provides a new research idea for fault diagnosis
with limited labeled samples by effectively using unsupervised data.
- Abstract（参考訳）: インテリジェントなデータ駆動型障害診断法が広く適用されているが、これらの手法のほとんどは高品質のラベル付きサンプルを必要とする。
実際の産業プロセスでデータにラベルをつけるのに多くの労力と時間を要するため、インテリジェントな故障診断手法の適用が困難になる。
この問題を解決するために, ラベル付きサンプルの不足状況下でのベアリング障害診断のために, 多段階半教師付き改良型深部埋め込みクラスタリング (ms-ssidec) 法を提案する。
本手法は,事前学習,深層クラスタリング,教師付き学習の3段階を含む。
第1段階では、スキップ接続に基づく畳み込み自動エンコーダ(SCCAE)を提案し、低次元表現を自動的に学習するために事前学習する。
第2段階では、事前学習されたオートエンコーダとクラスタリング層を統合した半教師付き改良深層クラスタリング(SSIDEC)モデルを提案する。
さらに、モデルのトレーニングにおける過度な適合を克服するために、正規化用語として仮想敵訓練(VAT)が導入される。
第3段階では、第2段階で得られた高品質なクラスタリング結果が、ラベルのないサンプルに擬似ラベルとして割り当てられる。
ラベル付きデータセットは、疑似ラベル付きサンプルによって拡張され、ベアリング障害判別モデルのトレーニングに使用される。
本手法の有効性は,西予備大学(cwru)軸受データセットを用いて評価した。
その結果,本手法は少数のラベル付きサンプルの半教師付き学習を満足するだけでなく,教師なし学習の問題を解決し,従来の診断法よりも優れた結果を得た。
本手法は, 教師なしデータを効果的に利用することにより, ラベル付き限られたサンプルを用いた断層診断の新しい研究アイデアを提供する。
関連論文リスト
- Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。
半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。
本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
論文 参考訳（メタデータ） (2024-07-26T09:33:53Z) - LayerMatch: Do Pseudo-labels Benefit All Layers? [77.59625180366115]
半教師付き学習はラベル付きデータの依存性を軽減するための有望なソリューションを提供する。
我々はGrad-ReLUとAvg-Clusteringという2つの層固有の擬似ラベル戦略を開発した。
提案手法は,標準的な半教師付き学習ベンチマークにおいて,例外的な性能を示す。
論文 参考訳（メタデータ） (2024-06-20T11:25:50Z) - Active Foundational Models for Fault Diagnosis of Electrical Motors [0.5999777817331317]
電気モーターの故障検出と診断は、産業システムの安全かつ信頼性の高い運転を保証する上で最も重要である。
マシン故障診断のための既存のデータ駆動ディープラーニングアプローチは、大量のラベル付きサンプルに大きく依存している。
ラベル付きサンプルを少ない量で活用する基礎モデルに基づくアクティブラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-27T03:25:12Z) - Semi-supervised binary classification with latent distance learning [0.0]
そこで本稿では,ランダムなk対クロス距離学習機構を持つラベルを用いて,二項分類問題を解くための新しい学習表現を提案する。
ラベルが少なく、データ拡張技術がないため、提案手法は最先端の半教師あり自己教師あり学習法より優れていた。
論文 参考訳（メタデータ） (2022-11-28T09:05:26Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳（メタデータ） (2022-09-27T19:04:36Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - Semi-supervised Long-tailed Recognition using Alternate Sampling [95.93760490301395]
ロングテール認識の主な課題は、データ分布の不均衡とテールクラスにおけるサンプル不足である。
半教師付き長尾認識という新しい認識設定を提案する。
2つのデータセットで、他の競合方法よりも大幅な精度向上を実証します。
論文 参考訳（メタデータ） (2021-05-01T00:43:38Z) - Deep Learning in current Neuroimaging: a multivariate approach with
power and type I error control but arguable generalization ability [0.158310730488265]
ディープラーニングアーキテクチャを用いた分類の統計的意義を推定する非パラメトリックフレームワークを提案する。
ラベル置換試験は, クロスバリデーション (CV) と上界補正 (RUB) を併用した再置換を検証法として提案した。
我々は, CV法とRUB法が有意レベルに近い偽陽性率と許容可能な統計的力を提供することを置換試験で発見した。
論文 参考訳（メタデータ） (2021-03-30T21:15:39Z) - Semi-supervised and Unsupervised Methods for Heart Sounds Classification
in Restricted Data Environments [4.712158833534046]
本研究は、PhyloNet/CinC 2016 Challengeデータセット上で、様々な教師付き、半教師付き、教師なしのアプローチを用いる。
GANをベースとした半教師付き手法が提案され,非ラベルデータサンプルを用いてデータ分散の学習を促進できる。
特に、1D CNN Autoencoderと1クラスSVMを併用した教師なし特徴抽出は、データラベル付けなしで優れた性能が得られる。
論文 参考訳（メタデータ） (2020-06-04T02:07:35Z) - SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier
Detection [63.253850875265115]
外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。
そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
論文 参考訳（メタデータ） (2020-03-11T00:22:50Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。