論文の概要: Continual Learning for Predictive Maintenance: Overview and Challenges
- arxiv url: http://arxiv.org/abs/2301.12467v2
- Date: Thu, 29 Jun 2023 08:55:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-30 19:29:15.092381
- 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,予測保守,非定常環境,継続学習について紹介する。
次に,予測的メンテナンスと継続的学習の両面での現在の課題について議論し,両領域の交差点における今後の方向性を提案する。
- 参考スコア(独自算出の注目度): 6.620789302906817
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep learning techniques have become one of the main propellers for solving
engineering problems effectively and efficiently. For instance, Predictive
Maintenance methods have been used to improve predictions of when maintenance
is needed on different machines and operative contexts. However, deep learning
methods are not without limitations, as these models are normally trained on a
fixed distribution that only reflects the current state of the problem. Due to
internal or external factors, the state of the problem can change, and the
performance decreases due to the lack of generalization and adaptation.
Contrary to this stationary training set, real-world applications change their
environments constantly, creating the need to constantly adapt the model to
evolving scenarios. To aid in this endeavor, Continual Learning methods propose
ways to constantly adapt prediction models and incorporate new knowledge after
deployment. Despite the advantages of these techniques, there are still
challenges to applying them to real-world problems. In this work, we present a
brief introduction to predictive maintenance, non-stationary environments, and
continual learning, together with an extensive review of the current state of
applying continual learning in real-world applications and specifically in
predictive maintenance. We then discuss the current challenges of both
predictive maintenance and continual learning, proposing future directions at
the intersection of both areas. Finally, we propose a novel way to create
benchmarks that favor the application of continuous learning methods in more
realistic environments, giving specific examples of predictive maintenance.
- Abstract(参考訳): ディープラーニング技術は, 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つとなっている。
例えば、予測保守手法は、異なるマシンや運用状況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、これらのモデルは通常、問題の現在の状態のみを反映した固定分布上でトレーニングされるため、ディープラーニングの手法には制限がない。
内部要因や外部要因によって問題の状態が変化し、一般化や適応の欠如により性能が低下する。
この定常的なトレーニングセットとは対照的に、現実世界のアプリケーションは環境を常に変更し、進化するシナリオにモデルを常に適応させる必要がある。
この取り組みを支援するために、連続学習法は、予測モデルに絶えず適応し、デプロイ後に新しい知識を取り入れる方法を提案する。
これらの手法の利点にもかかわらず、現実の問題に適用するには依然として課題がある。
本稿では,予測的保守,非定常環境,連続的学習について概説するとともに,実世界のアプリケーション,特に予測的保守における連続的学習の現状について概観する。
次に,予測メンテナンスと継続学習の課題について議論し,両分野の交点における今後の方向性について述べる。
最後に、より現実的な環境での継続的学習手法の適用を好むベンチマークを作成するための新しい手法を提案し、予測保守の具体例を示す。
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。