論文の概要: LAMA-Net: Unsupervised Domain Adaptation via Latent Alignment and
Manifold Learning for RUL Prediction
- arxiv url: http://arxiv.org/abs/2208.08388v1
- Date: Wed, 17 Aug 2022 16:28:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-18 13:08:58.215303
- Title: LAMA-Net: Unsupervised Domain Adaptation via Latent Alignment and
Manifold Learning for RUL Prediction
- Title（参考訳）: LAMA-Net:RUL予測のための潜在アライメントとマニフォールド学習による教師なしドメイン適応
- Authors: Manu Joseph, Varchita Lalwani
- Abstract要約: 我々は,エンコーダ-デコーダベースモデル(Transformer)であるtextitLAMA-Net,平均最大離散性(MMD)を用いた潜在アライメント,および多様体学習を提案する。
提案手法は、RUL予測において領域適応を行うための有望なアプローチを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Prognostics and Health Management (PHM) is an emerging field which has
received much attention from the manufacturing industry because of the benefits
and efficiencies it brings to the table. And Remaining Useful Life (RUL)
prediction is at the heart of any PHM system. Most recent data-driven research
demand substantial volumes of labelled training data before a performant model
can be trained under the supervised learning paradigm. This is where Transfer
Learning (TL) and Domain Adaptation (DA) methods step in and make it possible
for us to generalize a supervised model to other domains with different data
distributions with no labelled data. In this paper, we propose
\textit{LAMA-Net}, an encoder-decoder based model (Transformer) with an induced
bottleneck, Latent Alignment using Maximum Mean Discrepancy (MMD) and manifold
learning is proposed to tackle the problem of Unsupervised Homogeneous Domain
Adaptation for RUL prediction. \textit{LAMA-Net} is validated using the C-MAPSS
Turbofan Engine dataset by NASA and compared against other state-of-the-art
techniques for DA. The results suggest that the proposed method offers a
promising approach to perform domain adaptation in RUL prediction. Code will be
made available once the paper comes out of review.
- Abstract（参考訳）: 予後管理・健康管理(prognostics and health management, phm)は、製造業から多くの注目を集めている新興分野である。
そして、Remaining Useful Life (RUL)予測はあらゆるPHMシステムの中心にある。
最近のデータ駆動リサーチでは、パフォーマンスモデルが教師あり学習パラダイムの下でトレーニングされる前に、大量のラベル付きトレーニングデータを要求する。
ここでは、Transfer Learning (TL) とDomain Adaptation (DA) メソッドが進み、ラベル付きデータを持たない異なるデータ分散を持つ他のドメインに教師付きモデルを一般化できるようにします。
本稿では,最大平均偏差(mmd)を用いたボトルネック・潜在アライメントを誘導したエンコーダ・デコーダに基づくモデル(トランスフォーマ)である \textit{lama-net} を提案し,rul予測のための教師なし等質領域適応問題に対処するための多様体学習を提案する。
\textit{LAMA-Net}はNASAのC-MAPSS Turbofan Engineデータセットを用いて検証され、DAの他の最先端技術と比較される。
その結果,提案手法はRUL予測において領域適応を行う上で有望な手法であることがわかった。
論文のレビューが終わったら、コードは利用可能になる。
関連論文リスト
- Unveiling the Superior Paradigm: A Comparative Study of Source-Free Domain Adaptation and Unsupervised Domain Adaptation [52.36436121884317]
Source-Free Domain Adaptation (SFDA) は、現実のシナリオにおいて、Unsupervised Domain Adaptation (UDA) よりも一般的に優れていることを示す。
SFDAは、時間効率、ストレージ要件、対象とする学習目標、負の移動リスクの低減、過度な適合に対する堅牢性の向上といった利点を提供している。
利用可能なソースデータをマルチSFDA手法に効果的に統合する新しい重み推定法を提案する。
論文 参考訳（メタデータ） (2024-11-24T13:49:29Z) - Unsupervised Domain Adaptation Via Data Pruning [0.0]
非教師なし領域適応(UDA)の観点から問題を考える。
本稿では,UDAのトレーニング例を取り除き,トレーニング分布を対象データと整合させる手法であるAdaPruneを提案する。
UDAの手法として、AdaPruneは関連する技術より優れており、CoRALなどの他のUDAアルゴリズムと相補的であることを示す。
論文 参考訳（メタデータ） (2024-09-18T15:48:59Z) - Source-Free Unsupervised Domain Adaptation with Hypothesis Consolidation
of Prediction Rationale [53.152460508207184]
Source-Free Unsupervised Domain Adaptation (SFUDA)は、モデルがターゲットのドメインラベルやソースドメインデータにアクセスせずに新しいドメインに適応する必要がある、という課題である。
本稿では,各サンプルについて複数の予測仮説を考察し,各仮説の背景にある理論的根拠について考察する。
最適性能を達成するために,モデル事前適応,仮説統合,半教師付き学習という3段階の適応プロセスを提案する。
論文 参考訳（メタデータ） (2024-02-02T05:53:22Z) - Domain adaption and physical constrains transfer learning for shale gas
production [0.26440512250125126]
本稿では,ドメイン適応と物理制約を利用した新しい移動学習手法を提案する。
この手法は、データ分散の観点からの負の転送を減らすために、ソースドメインからの履歴データを効果的に活用する。
掘削, 完成, 地質データを物理的制約として組み込むことで, ハイブリッドモデルを構築する。
論文 参考訳（メタデータ） (2023-12-18T04:13:27Z) - Open-Set Domain Adaptation with Visual-Language Foundation Models [51.49854335102149]
非教師なしドメイン適応(UDA)は、ソースドメインからラベルのないデータを持つターゲットドメインへの知識の転送に非常に効果的であることが証明されている。
オープンセットドメイン適応(ODA)は、トレーニングフェーズ中にこれらのクラスを識別する潜在的なソリューションとして登場した。
論文 参考訳（メタデータ） (2023-07-30T11:38:46Z) - Domain Adaptation via Alignment of Operation Profile for Remaining
Useful Lifetime Prediction [8.715570103753697]
本稿では,対向領域適応フレームワークに基づくRUL予測のための2つの新しいDA手法を提案する。
提案手法は、ソースドメイン内の操作プロファイルの各フェーズの限界分布を、ターゲットドメイン内の各フェーズと整合させる。
その結果,提案手法は現在の最先端DA法と比較してRUL予測の精度を向上させることがわかった。
論文 参考訳（メタデータ） (2023-02-03T13:02:27Z) - Learning Feature Decomposition for Domain Adaptive Monocular Depth
Estimation [51.15061013818216]
改良されたアプローチは、深層学習の進歩で大きな成功をもたらしたが、それらは大量の地底深度アノテーションに依存している。
教師なしドメイン適応(UDA)は、教師付き学習の制約を緩和するため、ラベル付きソースデータからラベルなしターゲットデータに知識を転送する。
本稿では,その特徴空間をコンテンツやスタイルコンポーネントに分解することを学ぶための,学習特徴分解 for Adaptation (LFDA) と呼ばれる新しいMDEのためのUDA手法を提案する。
論文 参考訳（メタデータ） (2022-07-30T08:05:35Z) - DaLC: Domain Adaptation Learning Curve Prediction for Neural Machine
Translation [10.03007605098947]
ニューラルネットワーク翻訳(NMT)モデルのドメイン適応(DA)は、しばしば、ドメイン内の並列データのサンプルに基づいて新しいドメインに適応する訓練済みの一般NMTモデルに依存する。
本稿では,ソース言語におけるドメイン内単言語サンプルに基づいて,DAのパフォーマンスを予測可能なドメイン学習曲線予測(DaLC)モデルを提案する。
論文 参考訳（メタデータ） (2022-04-20T06:57:48Z) - UDALM: Unsupervised Domain Adaptation through Language Modeling [79.73916345178415]
複合分類とマスキング言語モデル損失を用いた微調整手順であるUDALMについて紹介します。
本実験では, 混合損失スケールと利用可能な目標データの量で訓練されたモデルの性能を, 停止基準として有効に用いることを示した。
この方法は、amazon reviewsセンチメントデータセットの12のドメインペアで評価され、9.1.74%の精度が得られ、最先端よりも1.11%の絶対的な改善が得られます。
論文 参考訳（メタデータ） (2021-04-14T19:05:01Z) - Do We Really Need to Access the Source Data? Source Hypothesis Transfer
for Unsupervised Domain Adaptation [102.67010690592011]
Unsupervised adaptUDA (UDA) は、ラベル付きソースデータセットから学んだ知識を活用して、新しいラベル付きドメインで同様のタスクを解決することを目的としている。
従来のUDAメソッドは、モデルに適応するためには、通常、ソースデータにアクセスする必要がある。
この作業は、訓練済みのソースモデルのみが利用できる実践的な環境に取り組み、ソースデータなしでそのようなモデルを効果的に活用してUDA問題を解決する方法に取り組みます。
論文 参考訳（メタデータ） (2020-02-20T03:13:58Z)
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。