論文の概要: Spatial Graph Convolutional Neural Network via Structured Subdomain
Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis
- arxiv url: http://arxiv.org/abs/2112.06033v1
- Date: Sat, 11 Dec 2021 17:34:36 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-14 19:16:38.196627
- Title: Spatial Graph Convolutional Neural Network via Structured Subdomain
Adaptation and Domain Adversarial Learning for Bearing Fault Diagnosis
- Title（参考訳）: 構造的サブドメイン適応と領域逆学習による空間グラフ畳み込みニューラルネットワークによる軸受故障診断
- Authors: Mohammadreza Ghorvei, Mohammadreza Kavianpour, Mohammad TH Beheshti,
Amin Ramezani
- Abstract要約: 非教師なし領域適応 (UDA) は, 作業条件の変化による異常診断において顕著な結果を示した。
本稿では,新しいサブドメイン適応グラフ畳み込みニューラルネットワーク(DSAGCN)を提案することで,課題に対処する。
まず、グラフ畳み込みニューラルネットワーク(GCNN)を用いてデータ構造をモデル化する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unsupervised domain adaptation (UDA) has shown remarkable results in bearing
fault diagnosis under changing working conditions in recent years. However,
most UDA methods do not consider the geometric structure of the data.
Furthermore, the global domain adaptation technique is commonly applied, which
ignores the relation between subdomains. This paper addresses mentioned
challenges by presenting the novel deep subdomain adaptation graph convolution
neural network (DSAGCN), which has two key characteristics: First, graph
convolution neural network (GCNN) is employed to model the structure of data.
Second, adversarial domain adaptation and local maximum mean discrepancy (LMMD)
methods are applied concurrently to align the subdomain's distribution and
reduce structure discrepancy between relevant subdomains and global domains.
CWRU and Paderborn bearing datasets are used to validate the DSAGCN method's
efficiency and superiority between comparison models. The experimental results
demonstrate the significance of aligning structured subdomains along with
domain adaptation methods to obtain an accurate data-driven model in
unsupervised fault diagnosis.
- Abstract（参考訳）: 非教師なし領域適応(UDA)は近年,作業条件の変化による異常診断において顕著な結果を示した。
しかし、ほとんどのUDA法はデータの幾何学的構造を考慮していない。
さらに、サブドメイン間の関係を無視したグローバルドメイン適応手法が一般的である。
本稿では,データ構造をモデル化するためにグラフ畳み込みニューラルネットワーク (gcnn) を用いて,2つの重要な特徴を持つ深層領域適応型グラフ畳み込みニューラルネットワーク (dsagcn) を提案する。
第2に、対応するサブドメインとグローバルドメイン間の構造的相違を低減し、サブドメインの分布を調整するために、対向ドメイン適応と局所最大平均相違(LMMD)法を同時に適用する。
CWRUとPaderbornのベアリングデータセットは、DSAGCN法の有効性と比較モデル間の優位性を検証するために使用される。
実験結果は,非教師付き断層診断における高精度なデータ駆動モデルを得るために,構造化サブドメインとドメイン適応手法の整合性を示す。
関連論文リスト
- Gradually Vanishing Gap in Prototypical Network for Unsupervised Domain Adaptation [32.58201185195226]
プロトタイプネットワーク(GVG-PN)におけるGradually Vanishing Gapという効率的なUDAフレームワークを提案する。
我々のモデルは,グローバルとローカルの両方の観点からの伝達学習を実現する。
いくつかのUDAベンチマークの実験では、提案されたGVG-PNがSOTAモデルより明らかに優れていることが検証された。
論文 参考訳（メタデータ） (2024-05-28T03:03:32Z) - Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images
with Improved Loss Function Combination [3.004632712148892]
本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。
本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。
提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
論文 参考訳（メタデータ） (2023-09-29T12:11:16Z) - Improving Domain Generalization with Domain Relations [77.63345406973097]
本稿では、モデルがトレーニングされたドメインと異なる新しいドメインに適用されたときに発生するドメインシフトに焦点を当てる。
ドメイン固有モデルを学習するためのD$3$Gという新しい手法を提案する。
以上の結果から,D$3$Gは最先端の手法より一貫して優れていた。
論文 参考訳（メタデータ） (2023-02-06T08:11:16Z) - Relation Matters: Foreground-aware Graph-based Relational Reasoning for
Domain Adaptive Object Detection [81.07378219410182]
我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。
FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。
実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
論文 参考訳（メタデータ） (2022-06-06T05:12:48Z) - TDACNN: Target-domain-free Domain Adaptation Convolutional Neural
Network for Drift Compensation in Gas Sensors [6.451060076703026]
本稿では,ターゲットドメインレスドメイン適応畳み込みニューラルネットワーク(TDACNN)に基づくディープラーニングを提案する。
主な概念は、CNNがサンプルのドメイン固有の特徴を抽出するだけでなく、ソースドメインとターゲットドメインの両方の基礎となるドメイン不変の特徴も抽出することである。
異なる設定下でドリフトする2つのデータセットの実験は、いくつかの最先端手法と比較してTDACNNの優位性を示している。
論文 参考訳（メタデータ） (2021-10-14T16:30:17Z) - Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training
for Road Segmentation of Remote Sensing Images [93.50240389540252]
リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。
本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。
2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
論文 参考訳（メタデータ） (2021-08-28T09:29:14Z) - Adapt Everywhere: Unsupervised Adaptation of Point-Clouds and Entropy
Minimisation for Multi-modal Cardiac Image Segmentation [10.417009344120917]
マルチモーダル心臓画像分割のための新しいUDA法を提案する。
提案手法は、逆学習に基づいて、異なる空間におけるソースとターゲットドメイン間のネットワーク特徴を適応する。
本手法はannotated source domainからunannotated target domainへの適応により2つの心データセットで検証した。
論文 参考訳（メタデータ） (2021-03-15T08:59:44Z) - Domain Conditioned Adaptation Network [90.63261870610211]
本稿では,ドメイン条件付きチャネルアテンション機構を用いて,異なる畳み込みチャネルを励起するドメイン条件適応ネットワーク(DCAN)を提案する。
これは、ディープDAネットワークのドメインワイドな畳み込みチャネルアクティベーションを探求する最初の試みである。
論文 参考訳（メタデータ） (2020-05-14T04:23:24Z) - Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。
グラフ埋め込みに基づく汎用フレームワークを提案する。
提案手法が強力なドメイン適応フレームワークにつながることを示す。
論文 参考訳（メタデータ） (2020-03-09T12:25:13Z) - Bi-Directional Generation for Unsupervised Domain Adaptation [61.73001005378002]
教師なしのドメイン適応は、確立されたソースドメイン情報に依存するラベルなしのターゲットドメインを促進する。
従来の手法では、潜在空間におけるドメインの不一致を強制的に低減することで、本質的なデータ構造が破壊される。
本稿では、2つの中間領域をブリッジソースとターゲットドメインに補間する一貫した分類器を用いた双方向生成ドメイン適応モデルを提案する。
論文 参考訳（メタデータ） (2020-02-12T09:45:39Z)
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。