論文の概要: A Fuzzy-set-based Joint Distribution Adaptation Method for Regression and its Application to Online Damage Quantification for Structural Digital Twin

• arxiv url: http://arxiv.org/abs/2211.02656v1
• Date: Thu, 3 Nov 2022 13:09:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 18:40:11.211715
• Title: A Fuzzy-set-based Joint Distribution Adaptation Method for Regression and its Application to Online Damage Quantification for Structural Digital Twin
• Title（参考訳）: ファジィセットに基づく回帰用ジョイント分布適応法と構造ディジタル双生児のオンライン損傷定量化への応用
• Authors: Xuan Zhou and Claudio Sbarufatti and Marco Giglio and Leiting Dong
• Abstract要約: そこで本研究では,まず,オンラインファジィ集合に基づく回帰のための共同分布適応法を提案する。 連続実数値ラベルをファジィセットを介してファジィクラスラベルに変換することにより、条件分布の相違を測定する。 提案手法と統合したオンライン損傷定量化の枠組みについて述べる。
• 参考スコア（独自算出の注目度）: 1.3008516948825726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Online damage quantification suffers from insufficient labeled data. In this context, adopting the domain adaptation on historical labeled data from similar structures/damages to assist the current diagnosis task would be beneficial. However, most domain adaptation methods are designed for classification and cannot efficiently address damage quantification, a regression problem with continuous real-valued labels. This study first proposes a novel domain adaptation method, the Online Fuzzy-set-based Joint Distribution Adaptation for Regression, to address this challenge. By converting the continuous real-valued labels to fuzzy class labels via fuzzy sets, the conditional distribution discrepancy is measured, and domain adaptation can simultaneously consider the marginal and conditional distribution for the regression task. Furthermore, a framework of online damage quantification integrated with the proposed domain adaptation method is presented. The method has been verified with an example of a damaged helicopter panel, in which domain adaptations are conducted across different damage locations and from simulation to experiment, proving the accuracy of damage quantification can be improved significantly even in a noisy environment. It is expected that the proposed approach to be applied to the fleet-level digital twin considering the individual differences.
• Abstract（参考訳）: オンライン損傷定量化はラベル付きデータ不足に苦しむ。 この文脈では、現在の診断タスクを支援するために、同様の構造や損傷からの履歴ラベル付きデータにドメイン適応を適用することが有益である。 しかし、ほとんどのドメイン適応法は分類のために設計されており、連続実数値ラベルを持つ回帰問題である損傷定量化に効率的に対処できない。 本研究はまず,この課題に対処するため,新しい領域適応手法であるオンラインファジィ集合を用いた回帰型統合分布適応法を提案する。 連続実値ラベルをファジィ集合を介してファジィクラスラベルに変換することにより、条件分布の不一致を計測し、回帰タスクの限界分布と条件分布を同時に考慮することができる。 さらに,提案手法と統合したオンライン損傷定量化の枠組みについて述べる。 本手法は, 異なる損傷箇所にまたがってドメイン適応を行い, シミュレーションから実験により, 騒音環境においても損傷定量化の精度を著しく向上させることのできる, 損傷ヘリコプターパネルの例を用いて検証されている。 個々の相違を考慮すると,提案手法を艦隊レベルのデジタル双生児に適用することが期待される。

関連論文リスト

• COD: Learning Conditional Invariant Representation for Domain Adaptation Regression [20.676363400841495]
  ドメイン適応回帰(Domain Adaptation Regression)は、ソースドメインからラベルのないターゲットドメインへのラベルの知識を一般化するために開発された。 既存の条件分布アライメント理論と離散前処理法はもはや適用できない。 誤差を最小限に抑えるために,CODに基づく条件付き不変表現学習モデルを提案する。
  論文  参考訳（メタデータ） (2024-08-13T05:08:13Z)
• Reshaping the Online Data Buffering and Organizing Mechanism for Continual Test-Time Adaptation [49.53202761595912]
  継続的なテスト時間適応は、訓練済みのソースモデルを適用して、教師なしのターゲットドメインを継続的に変更する。 我々は、オンライン環境、教師なしの自然、エラー蓄積や破滅的な忘れのリスクなど、このタスクの課題を分析する。 教師なしシングルパスデータストリームから重要サンプルを高い確実性で識別・集約する不確実性を考慮したバッファリング手法を提案する。
  論文  参考訳（メタデータ） (2024-07-12T15:48:40Z)
• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• Adaptive conformal classification with noisy labels [22.33857704379073]
  キャリブレーション試料のランダムなラベル汚染に自動的に適応できる分類タスクに対する新しいコンフォメーション予測手法を開発した。 これは、ラベル汚染の有無で標準共形推論によって影響を受ける効果的なカバレッジインフレーションを正確に評価することで可能となる。 提案手法の利点は、広範囲なシミュレーションと、CIFAR-10H画像データセットを用いたオブジェクト分類への応用によって実証される。
  論文  参考訳（メタデータ） (2023-09-10T17:35:43Z)
• Digging Into Uncertainty-based Pseudo-label for Robust Stereo Matching [39.959000340261625]
  本稿では,ロバストなステレオマッチングのための不確実性推定法を提案する。 事前学習されたモデルを新しい領域に適応させるために,不確実性に基づく擬似ラベルを提案する。 本手法は,ロバスト・ビジョン・チャレンジ2020のステレオタスクにおいて,強いクロスドメイン,適応,共同一般化を示す。
  論文  参考訳（メタデータ） (2023-07-31T09:11:31Z)
• Identifiable Latent Causal Content for Domain Adaptation under Latent Covariate Shift [82.14087963690561]
  マルチソースドメイン適応(MSDA)は、ラベル付き対象ドメインのラベル予測関数を学習する際の課題に対処する。 本稿では,潜在コンテンツ変数と潜時スタイル変数とともに,ドメイン間の潜時雑音を導入し,複雑な因果生成モデルを提案する。 提案手法は、シミュレーションと実世界の両方のデータセットに対して、例外的な性能と有効性を示す。
  論文  参考訳（メタデータ） (2022-08-30T11:25:15Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Selective Pseudo-Labeling with Reinforcement Learning for Semi-Supervised Domain Adaptation [116.48885692054724]
  半教師付きドメイン適応のための強化学習に基づく選択擬似ラベル法を提案する。 高精度かつ代表的な擬似ラベルインスタンスを選択するための深層Q-ラーニングモデルを開発する。 提案手法は, SSDAのベンチマークデータセットを用いて評価し, 全ての比較手法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2020-12-07T03:37:38Z)
• Unsupervised Domain Adaptation via Discriminative Manifold Propagation [26.23123292060868]
  教師なしドメイン適応は、ラベル付きソースドメインからラベルなしターゲットドメインへのリッチな情報を活用するのに効果的である。 提案手法は,バニラおよび部分的設定を含む一連のドメイン適応問題に対処するために利用できる。
  論文  参考訳（メタデータ） (2020-08-23T12:31:37Z)
• Self-adaptive Re-weighted Adversarial Domain Adaptation [12.73753413032972]
  自己適応型再重み付き対向ドメイン適応手法を提案する。 条件分布の観点からドメインアライメントを強化する。 実証的な証拠は、提案されたモデルが標準的なドメイン適応データセットで芸術の状態を上回ります。
  論文  参考訳（メタデータ） (2020-05-30T08:35:18Z)
• GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
  重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。 我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。 結果として得られるアルゴリズム、GenDICEは単純で効果的である。
  論文  参考訳（メタデータ） (2020-02-21T00:27:52Z)

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。