論文の概要: Continual Learning for Predictive Maintenance: Overview and Challenges
- arxiv url: http://arxiv.org/abs/2301.12467v1
- Date: Sun, 29 Jan 2023 15:32:53 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-31 16:57:14.148636
- Title: Continual Learning for Predictive Maintenance: Overview and Challenges
- Title(参考訳): 予測メンテナンスのための連続学習:概要と課題
- Authors: Julio Hurtado and Dario Salvati and Rudy Semola and Mattia Bosio and
Vincenzo Lomonaco
- Abstract要約: 本稿では,継続的学習を予測保守に適用する技術の現状について述べる。
まず,2つの研究テーマを個別に紹介し,継続学習と予測保守の交わりについて論じる。
- 参考スコア(独自算出の注目度): 6.620789302906817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning techniques have become one of the main propellers for
solving many engineering problems effectively and efficiently. In Predictive
Maintenance, for instance, Data-Driven methods have been used to improve
predictions of when maintenance is needed on different machines and operative
contexts. However, one of the limitations of these methods is that they are
trained on a fixed distribution that does not change over time, which seldom
happens in real-world applications. When internal or external factors alter the
data distribution, the model performance may decrease or even fail
unpredictably, resulting in severe consequences for machine maintenance.
Continual Learning methods propose ways of adapting prediction models and
incorporating new knowledge after deployment. The main objective of these
methods is to avoid the plasticity-stability dilemma by updating the parametric
model while not forgetting previously learned tasks. In this work, we present
the current state of the art in applying Continual Learning to Predictive
Maintenance, with an extensive review of both disciplines. We first introduce
the two research themes independently, then discuss the current intersection of
Continual Learning and Predictive Maintenance. Finally, we discuss the main
research directions and conclusions.
- Abstract(参考訳): 機械学習技術は多くの工学的問題を効果的かつ効率的に解くための主要なプロペラの1つになっている。
例えば、予測保守において、データ駆動手法は、異なるマシンや運用コンテキストでメンテナンスが必要なときの予測を改善するために使われてきた。
しかし、これらの手法の限界の1つは、時間とともに変化しない固定分布で訓練され、現実のアプリケーションではめったに起こらないことである。
内部または外部の要因がデータ分布を変更すると、モデルの性能が低下したり、予測不能に失敗する可能性があり、マシンのメンテナンスに重大な結果をもたらす。
継続的学習手法は、予測モデルを適応し、デプロイ後に新しい知識を導入する方法を提案する。
これらの手法の主な目的は,従来の課題を忘れずにパラメトリックモデルを更新することで,塑性安定性ジレンマを回避することである。
本稿では,継続学習を予測メンテナンスに適用する技術の現状と,両分野の広範なレビューを紹介する。
まず,2つの研究テーマを個別に紹介し,継続学習と予測保守の交わりについて論じる。
最後に,主な研究の方向性と結論について述べる。
関連論文リスト
- Towards Robust Continual Learning with Bayesian Adaptive Moment
Regularization [57.71118589124002]
継続的な学習は破滅的な忘れ込みという課題を克服しようと試み、そこでは新しいタスクを解くための学習が、モデルが以前に学習した情報を忘れる原因となる。
本稿では,パラメータ成長の制約を緩和し,破滅的な忘れ込みを抑える新しい事前手法を提案する。
以上の結果から, BAdamは, 単頭クラスインクリメンタル実験に挑戦する先行手法に対して, 最先端の性能を達成できることが示唆された。
論文 参考訳(メタデータ) (2023-09-15T17:10:51Z) - Continual Learning with Pretrained Backbones by Tuning in the Input
Space [44.97953547553997]
ディープラーニングモデルを非定常環境に適用することの本質的な困難さは、ニューラルネットワークの実際のタスクへの適用性を制限している。
ネットワークの事前学習部分の更新を回避し、通常の分類ヘッドだけでなく、新たに導入した学習可能なパラメータのセットも学習することで、微調整手順をより効果的にするための新しい戦略を提案する。
論文 参考訳(メタデータ) (2023-06-05T15:11:59Z) - Resilient Constrained Learning [94.27081585149836]
本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。
我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
論文 参考訳(メタデータ) (2023-06-04T18:14:18Z) - PIVOT: Prompting for Video Continual Learning [50.80141083993668]
PIVOTは、画像領域から事前学習したモデルにおける広範な知識を活用する新しい手法である。
実験の結果,PIVOTは20タスクのアクティビティネット設定において,最先端の手法を27%向上することがわかった。
論文 参考訳(メタデータ) (2022-12-09T13:22:27Z) - Continual Predictive Learning from Videos [100.27176974654559]
本稿では,ビデオ予測の文脈において,新たな連続学習問題について検討する。
本稿では,連続予測学習(Continuousal predictive Learning, CPL)アプローチを提案する。
我々はRoboNetとKTHに基づく2つの新しいベンチマークを構築し、異なるタスクが異なる物理ロボット環境や人間の行動に対応するようにした。
論文 参考訳(メタデータ) (2022-04-12T08:32:26Z) - Continually Learning Self-Supervised Representations with Projected
Functional Regularization [39.92600544186844]
近年の自己教師あり学習手法は高品質な画像表現を学習でき、教師ありの手法でギャップを埋めている。
これらの手法は、新たな知識を段階的に取得することができない -- 実際、主にIDデータによる事前学習フェーズとしてのみ使用される。
従来の知識を忘れないように,機能正規化の利用を提案する。
論文 参考訳(メタデータ) (2021-12-30T11:59:23Z) - Task-Agnostic Online Reinforcement Learning with an Infinite Mixture of
Gaussian Processes [25.513074215377696]
本稿では,連続的なオンラインモデルに基づく強化学習手法を提案する。
未知のタスク境界を持つタスク非依存の問題を解決するためには、事前トレーニングを必要としない。
実験では,本手法は非定常タスクにおける代替手法よりも優れている。
論文 参考訳(メタデータ) (2020-06-19T23:52:45Z) - Never Stop Learning: The Effectiveness of Fine-Tuning in Robotic
Reinforcement Learning [109.77163932886413]
本稿では,ロボットによるロボット操作ポリシーを,政治以外の強化学習を通じて微調整することで,新たなバリエーションに適応する方法を示す。
この適応は、タスクをゼロから学習するために必要なデータの0.2%未満を使用する。
事前訓練されたポリシーを適用するという私たちのアプローチは、微調整の過程で大きなパフォーマンス向上につながります。
論文 参考訳(メタデータ) (2020-04-21T17:57:04Z) - Online Constrained Model-based Reinforcement Learning [13.362455603441552]
主要な要件は、限られた時間とリソース予算内に留まりながら、継続的な状態とアクションスペースを扱う能力である。
本稿では,ガウス過程回帰と回帰水平制御を組み合わせたモデルに基づくアプローチを提案する。
本研究では,自動走行作業におけるオンライン学習のメリットを実証する。
論文 参考訳(メタデータ) (2020-04-07T15:51:34Z)
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。