論文の概要: FaultFormer: Pretraining Transformers for Adaptable Bearing Fault
Classification
- arxiv url: http://arxiv.org/abs/2312.02380v2
- Date: Sun, 7 Jan 2024 02:46:33 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-09 22:11:52.676553
- Title: FaultFormer: Pretraining Transformers for Adaptable Bearing Fault
Classification
- Title(参考訳): faultformer: 適応軸受故障分類のためのプリトレーニングトランス
- Authors: Anthony Zhou and Amir Barati Farimani
- Abstract要約: 本稿では,変圧器モデルに基づく軸受欠陥の同定のための事前学習および微調整フレームワークを提案する。
特に,異なるトークン化とデータ拡張戦略について検討し,パフォーマンスの向上と技術評価の到達状況について検討する。
これは、モデルがさまざまなベアリング、障害、機械にわたって事前訓練され、新しいデータスカースアプリケーションに素早くデプロイされる、という新しいパラダイムを導入する。
- 参考スコア(独自算出の注目度): 8.430481660019451
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The growth of global consumption has motivated important applications of deep
learning to smart manufacturing and machine health monitoring. In particular,
vibration data offers a rich and reliable source to provide meaningful insights
into machine health and predictive maintenance. In this work, we present
pretraining and fine-tuning frameworks for identifying bearing faults based on
transformer models. In particular, we investigate different tokenization and
data augmentation strategies to improve performance and reach state of the art
accuracies. Furthermore, we demonstrate masked self-supervised pretraining for
vibration signals and its application to low-data regimes, task adaptation, and
dataset adaptation. Pretraining is able to improve performance on 10-way
bearing classification on scarce, unseen training samples. Transformer models
also benefit from pretraining when fine-tuning on fault classes outside of the
pretraining distribution. Lastly, pretrained transformers are shown to be able
to generalize to a different dataset in a few-shot manner. This introduces a
new paradigm where models can be pretrained across different bearings, faults,
and machinery and quickly deployed to new, data-scarce applications to suit
specific manufacturing needs.
- Abstract(参考訳): グローバル消費の成長は、スマート製造とマシンヘルスモニタリングへのディープラーニングの重要な応用を動機付けた。
特に、振動データは、機械の健康と予測の保守に関する有意義な洞察を提供する、リッチで信頼性の高い情報源を提供する。
本研究では,変圧器モデルに基づくベアリング故障の同定のための事前学習および微調整フレームワークを提案する。
特に,異なるトークン化とデータ拡張戦略について検討し,パフォーマンスの向上と技術評価の達成について述べる。
さらに,振動信号に対するマスク付き自己教師付き事前学習とその低データレジーム,タスク適応,データセット適応への応用を示す。
プレトレーニングは、不足した未確認のトレーニングサンプルの10方向軸受分類のパフォーマンスを向上させることができる。
トランスフォーマーモデルは、事前トレーニングディストリビューション以外の障害クラスを微調整する場合の事前トレーニングにもメリットがある。
最後に、事前訓練されたトランスフォーマーは、数ショットで異なるデータセットに一般化できることが示されている。
これは、モデルがさまざまな軸受、障害、機械にまたがって事前訓練され、特定の製造業のニーズに合った新しいデータ収集アプリケーションに迅速にデプロイできる新しいパラダイムを導入している。
関連論文リスト
- Learning with Noisy Foundation Models [95.50968225050012]
本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。
雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2024-03-11T16:22:41Z) - An Emulator for Fine-Tuning Large Language Models using Small Language
Models [91.02498576056057]
本研究では,異なるスケールでの事前学習と微調整の結果を近似する分布から,エミュレート・ファインチューニング(EFT)を原理的かつ実用的なサンプリング法として導入する。
EFTは、追加トレーニングを伴わずに、有益性や無害性といった競合する行動特性をテスト時間で調整できることを示す。
最後に、LMアップスケーリングと呼ばれるエミュレートされたファインチューニングの特殊な場合において、小さなファインチューニングモデルと組み合わせることで、大きな事前学習モデルのリソース集約的なファインチューニングを回避する。
論文 参考訳(メタデータ) (2023-10-19T17:57:16Z) - In-Context Convergence of Transformers [63.04956160537308]
勾配降下法により訓練したソフトマックスアテンションを有する一層変圧器の学習力学について検討した。
不均衡な特徴を持つデータに対しては、学習力学が段階的に収束する過程をとることを示す。
論文 参考訳(メタデータ) (2023-10-08T17:55:33Z) - Understanding and Mitigating the Label Noise in Pre-training on
Downstream Tasks [91.15120211190519]
本稿では、事前学習データセットにおけるノイズの性質を理解し、下流タスクへの影響を軽減することを目的とする。
雑音の悪影響を軽減するために特徴空間に適応する軽量ブラックボックスチューニング法(NMTune)を提案する。
論文 参考訳(メタデータ) (2023-09-29T06:18:15Z) - What Happens During Finetuning of Vision Transformers: An Invariance
Based Investigation [7.432224771219168]
Pretrain-finetuneパラダイムは、通常、同じタスクでモデルをスクラッチからトレーニングするよりも、下流のパフォーマンスを改善する。
本研究では,事前学習した視覚変換器とそれに対応する微調整バージョンとの関係を,複数のベンチマークデータセットとタスクで検討する。
論文 参考訳(メタデータ) (2023-07-12T08:35:24Z) - Emergent Agentic Transformer from Chain of Hindsight Experience [96.56164427726203]
簡単なトランスフォーマーベースモデルが時間差と模倣学習に基づくアプローチの両方と競合することを示す。
単純なトランスフォーマーベースのモデルが時間差と模倣学習ベースのアプローチの両方で競合するのはこれが初めてである。
論文 参考訳(メタデータ) (2023-05-26T00:43:02Z) - Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。
画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
論文 参考訳(メタデータ) (2022-09-30T02:25:12Z) - How Effective is Task-Agnostic Data Augmentation for Pretrained
Transformers? [7.727662147015879]
タスクに依存しないデータ拡張は、事前訓練されたモデルでもコンピュータビジョンにおいて広く有効であることが証明されている。
事前訓練されたトランスフォーマーに適用した場合、これらのテクニックが本当に有効か尋ねる。
非事前学習モデルに対する強い改善を報告した手法は、事前学習した変換器の性能を一貫して改善することができない。
論文 参考訳(メタデータ) (2020-10-05T03:55:15Z)
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。