論文の概要: Multi-Source Domain Adaptation for Cross-Domain Fault Diagnosis of
Chemical Processes
- arxiv url: http://arxiv.org/abs/2308.11247v1
- Date: Tue, 22 Aug 2023 07:43:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 18:38:33.044991
- Title: Multi-Source Domain Adaptation for Cross-Domain Fault Diagnosis of
Chemical Processes
- Title(参考訳): 化学プロセスのクロスドメイン故障診断のためのマルチソースドメイン適応
- Authors: Eduardo Fernandes Montesuma, Michela Mulas, Fred Ngol\`e Mboula,
Francesco Corona, Antoine Souloumiac
- Abstract要約: クロスドメイン障害診断(CDFD)のための単一および複数ソースの教師なし領域適応アルゴリズムを広範囲に比較する。
トレーニング中に複数のドメインを使用する場合,適応が適用されない場合でも,肯定的な効果が認められる。
また,複数ソースのシナリオでは,非適応設定の分類精度を平均8.4%向上させる。
- 参考スコア(独自算出の注目度): 5.119371135458389
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Fault diagnosis is an essential component in process supervision. Indeed, it
determines which kind of fault has occurred, given that it has been previously
detected, allowing for appropriate intervention. Automatic fault diagnosis
systems use machine learning for predicting the fault type from sensor
readings. Nonetheless, these models are sensible to changes in the data
distributions, which may be caused by changes in the monitored process, such as
changes in the mode of operation. This scenario is known as Cross-Domain Fault
Diagnosis (CDFD). We provide an extensive comparison of single and multi-source
unsupervised domain adaptation (SSDA and MSDA respectively) algorithms for
CDFD. We study these methods in the context of the Tennessee-Eastmann Process,
a widely used benchmark in the chemical industry. We show that using multiple
domains during training has a positive effect, even when no adaptation is
employed. As such, the MSDA baseline improves over the SSDA baseline
classification accuracy by 23% on average. In addition, under the
multiple-sources scenario, we improve classification accuracy of the no
adaptation setting by 8.4% on average.
- Abstract(参考訳): 故障診断はプロセスの監視において不可欠な要素である。
実際、事前に検出されたことを考慮し、どの障害が発生したかを決定し、適切な介入を可能にする。
自動故障診断システムは、センサ読み取りから故障タイプを予測するために機械学習を使用する。
それにもかかわらず、これらのモデルはデータ分布の変化に敏感であり、これは操作モードの変化などの監視プロセスの変化によって引き起こされる可能性がある。
このシナリオはクロスドメイン障害診断(CDFD)として知られている。
我々はCDFDのための単一および複数ソースの非教師付きドメイン適応(SSDAとMSDA)アルゴリズムを広範囲に比較する。
化学産業において広く用いられているベンチマークであるテネシー-イーストマン過程の文脈でこれらの手法を考察した。
トレーニング中に複数のドメインを使用すると,適応性がなくても肯定的な効果があることを示す。
そのため、MSDAベースラインはSSDAベースライン分類の精度を平均23%向上させる。
また,複数ソースのシナリオでは,非適応設定の分類精度を平均8.4%向上させる。
関連論文リスト
- Recursive Gaussian Process State Space Model [4.572915072234487]
動作領域とGPハイパーパラメータの両方に適応可能な新しいオンラインGPSSM法を提案する。
ポイントを誘導するオンライン選択アルゴリズムは、情報的基準に基づいて開発され、軽量な学習を実現する。
合成データセットと実世界のデータセットの総合的な評価は,提案手法の精度,計算効率,適応性を示す。
論文 参考訳(メタデータ) (2024-11-22T02:22:59Z) - Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。
IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。
提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
論文 参考訳(メタデータ) (2023-09-25T15:56:01Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳(メタデータ) (2023-08-03T07:45:53Z) - Benchmarking Test-Time Adaptation against Distribution Shifts in Image
Classification [77.0114672086012]
テスト時間適応(TTA)は、予測時にのみラベルのないサンプルを活用することにより、モデルの一般化性能を向上させる技術である。
本稿では,広く使用されている5つの画像分類データセット上で,13のTTA手法とその変種を体系的に評価するベンチマークを提案する。
論文 参考訳(メタデータ) (2023-07-06T16:59:53Z) - SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。
両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。
実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
論文 参考訳(メタデータ) (2023-04-06T17:36:23Z) - Learning Neural Models for Natural Language Processing in the Face of
Distributional Shift [10.990447273771592]
特定のデータセットでひとつのタスクを実行するための強力な神経予測器をトレーニングするNLPのパラダイムが、さまざまなアプリケーションで最先端のパフォーマンスを実現している。
データ分布が定常である、すなわち、トレーニングとテストの時間の両方で、データは固定された分布からサンプリングされる、という仮定に基づいて構築される。
この方法でのトレーニングは、人間が絶えず変化する情報の流れの中で学習し、操作できる方法と矛盾する。
データ分散がモデル寿命の経過とともにシフトすることが期待される実世界のユースケースに不適応である。
論文 参考訳(メタデータ) (2021-09-03T14:29:20Z) - VisDA-2021 Competition Universal Domain Adaptation to Improve
Performance on Out-of-Distribution Data [64.91713686654805]
Visual Domain Adaptation (VisDA) 2021コンペティションは、新しいテストディストリビューションに適応するモデルの能力をテストする。
我々は,新しい視点,背景,モダリティ,品質劣化への適応性を評価する。
厳密なプロトコルを使用してパフォーマンスを計測し、最先端のドメイン適応手法と比較する。
論文 参考訳(メタデータ) (2021-07-23T03:21:51Z) - A Brief Review of Domain Adaptation [1.2043574473965317]
本稿では、ラベルがソースドメインでのみ利用可能となる、教師なしドメイン適応に焦点を当てる。
ドメイン適応問題に対処することを目的とした、浅層および深層ドメイン適応アプローチが成功している。
論文 参考訳(メタデータ) (2020-10-07T07:05:32Z) - Adaptive Risk Minimization: Learning to Adapt to Domain Shift [109.87561509436016]
ほとんどの機械学習アルゴリズムの基本的な前提は、トレーニングとテストデータは、同じ基礎となる分布から引き出されることである。
本研究では,学習データをドメインに構造化し,複数のテスト時間シフトが存在する場合の領域一般化の問題点について考察する。
本稿では、適応リスク最小化(ARM)の枠組みを紹介し、モデルがトレーニング領域に適応することを学ぶことで、効果的な適応のために直接最適化される。
論文 参考訳(メタデータ) (2020-07-06T17:59:30Z) - Incremental Unsupervised Domain-Adversarial Training of Neural Networks [17.91571291302582]
教師付き統計学習の文脈では通常、トレーニングセットはテストサンプルを描画する同じ分布から来ていると仮定される。
ここでは、モデルが新しいドメインに反復的に適応される段階的な視点から、別の道を選び、問題にアプローチします。
その結果,いくつかのデータセットにおける非増加事例に対する明らかな改善が報告され,他の最先端のドメイン適応アルゴリズムよりも優れていた。
論文 参考訳(メタデータ) (2020-01-13T09:54:35Z)
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。