論文の概要: EverAdapt: Continuous Adaptation for Dynamic Machine Fault Diagnosis Environments

• arxiv url: http://arxiv.org/abs/2407.17117v1
• Date: Wed, 24 Jul 2024 09:25:54 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-25 14:23:43.941755
• Title: EverAdapt: Continuous Adaptation for Dynamic Machine Fault Diagnosis Environments
• Title（参考訳）: EverAdapt: 動的マシン故障診断環境への継続的適応
• Authors: Edward, Mohamed Ragab, Yuecong Xu, Min Wu, Yuecong Xu, Zhenghua Chen, Abdulla Alseiari, Xiaoli Li,
• Abstract要約: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、データ駆動型障害診断における重要なソリューションである。 UDAは、新しいドメインに適応する際、これまで見られたドメインではパフォーマンスが低くなる傾向にある。 動的環境における継続的モデル適応に特化して設計されたEverAdaptフレームワークを紹介します。
• 参考スコア（独自算出の注目度）: 23.190374196679766
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Unsupervised Domain Adaptation (UDA) has emerged as a key solution in data-driven fault diagnosis, addressing domain shift where models underperform in changing environments. However, under the realm of continually changing environments, UDA tends to underperform on previously seen domains when adapting to new ones - a problem known as catastrophic forgetting. To address this limitation, we introduce the EverAdapt framework, specifically designed for continuous model adaptation in dynamic environments. Central to EverAdapt is a novel Continual Batch Normalization (CBN), which leverages source domain statistics as a reference point to standardize feature representations across domains. EverAdapt not only retains statistical information from previous domains but also adapts effectively to new scenarios. Complementing CBN, we design a class-conditional domain alignment module for effective integration of target domains, and a Sample-efficient Replay strategy to reinforce memory retention. Experiments on real-world datasets demonstrate EverAdapt superiority in maintaining robust fault diagnosis in dynamic environments. Our code is available: https://github.com/mohamedr002/EverAdapt
• Abstract（参考訳）: 教師なしドメイン適応(Unsupervised Domain Adaptation, UDA)は、データ駆動型障害診断において重要なソリューションとして登場し、モデルが環境の変化に不適合な領域シフトに対処している。 しかし、常に変化する環境の下では、UDAは、新しいドメインに適応する際、これまで見られた領域ではパフォーマンスが低下する傾向にある。 この制限に対処するために、動的環境における継続的モデル適応に特化して設計されたEverAdaptフレームワークを紹介します。 Central to EverAdaptは、ソースドメイン統計を参照ポイントとして活用し、ドメイン間の特徴表現を標準化する、新しい連続バッチ正規化(CBN)である。 EverAdaptは、以前のドメインの統計情報を保持するだけでなく、新しいシナリオに効果的に適応する。 CBNを補完し、ターゲットドメインの効果的な統合のためのクラス条件付きドメインアライメントモジュールを設計し、メモリ保持を強化するためのサンプル効率のリプレイ戦略を設計する。 実世界のデータセットの実験では、動的環境における堅牢な障害診断を維持する上で、EverAdaptの方が優れていることが示されている。 https://github.com/mohamedr002/EverAdapt

関連論文リスト

• Dynamic Domains, Dynamic Solutions: DPCore for Continual Test-Time Adaptation [8.425690424016986]
  Continual Test-Time Adaptation (TTA)は、ソース事前トレーニングされたモデルを、継続的な変更、ラベルなしのターゲットドメインに適応させようとする。 オンラインK-Meansの原則に触発されて,視覚的プロンプトによるTTAの継続的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-15T20:47:38Z)
• Progressive Conservative Adaptation for Evolving Target Domains [76.9274842289221]
  従来のドメイン適応は、典型的には、ソースドメインから定常ターゲットドメインに知識を転送する。 このような対象データに対する復元と適応は、時間とともに計算とリソース消費をエスカレートする。 我々は、進歩的保守的適応(PCAda)と呼ばれる、単純で効果的なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-07T04:11:25Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• PointFix: Learning to Fix Domain Bias for Robust Online Stereo Adaptation [67.41325356479229]
  本稿では,PointFixと呼ばれるメタラーニングフレームワークに補助的なポイント選択型ネットワークを導入することを提案する。 簡単に言えば、我々の補助的ネットワークは、メタグラディエントを通じて局所情報を効果的にバックプロパゲートすることで、局所的変異を集中的に修正することを学ぶ。 このネットワークはモデルに依存しないため、プラグイン・アンド・プレイ方式であらゆる種類のアーキテクチャで使用することができる。
  論文  参考訳（メタデータ） (2022-07-27T07:48:29Z)
• Feed-Forward Latent Domain Adaptation [17.71179872529747]
  本研究では,資源制約されたエッジデバイスが事前学習したモデルをローカルなデータ分布に適応させることのできる,新しい高度に実践的な問題設定について検討する。 エッジデバイスの制限を考慮すると、バックプロパゲーションを使わず、ソースデータにアクセスせずに、事前訓練されたモデルのみを使用し、フィードフォワード方式で適応することを目指している。 我々の解決策は、混合関連ターゲットデータセットを埋め込み、クロスアテンションを用いてターゲットサンプルに対する推論を動的に適応できるネットワークをメタラーニングすることである。
  論文  参考訳（メタデータ） (2022-07-15T17:37:42Z)
• Towards Online Domain Adaptive Object Detection [79.89082006155135]
  既存のオブジェクト検出モデルは、トレーニングデータとテストデータの両方が同じソースドメインからサンプリングされていると仮定します。 オンライン設定における対象領域の一般化を適応・改善する新しい統合適応フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-04-11T17:47:22Z)
• Target and Task specific Source-Free Domain Adaptive Image Segmentation [73.78898054277538]
  ソースフリー領域適応画像分割のための2段階のアプローチを提案する。 我々は,高エントロピー領域を抑えつつ,ターゲット固有の擬似ラベルを生成することに注力する。 第2段階では、タスク固有の表現にネットワークを適用することに重点を置いている。
  論文  参考訳（メタデータ） (2022-03-29T17:50:22Z)
• Continual Test-Time Domain Adaptation [94.51284735268597]
  テスト時ドメイン適応は、ソースデータを使用しずに、ソース事前訓練されたモデルをターゲットドメインに適応することを目的としている。 CoTTAは実装が容易で、市販の事前訓練モデルに簡単に組み込むことができる。
  論文  参考訳（メタデータ） (2022-03-25T11:42:02Z)
• The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization [10.274423413222763]
  ドメイン適応は、学習したモデルを、ドメインシフトやデータ分散の変更など、新しいシナリオに適応するために不可欠である。 現在のアプローチは通常、シフトしたドメインから大量のラベル付きまたはラベルなしのデータを必要とする。 本稿では,この問題を解決するために動的教師なし適応(DUA)を提案する。
  論文  参考訳（メタデータ） (2021-12-01T12:43:41Z)

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。