論文の概要: Source-free domain adaptation based on label reliability for cross-domain bearing fault diagnosis

• arxiv url: http://arxiv.org/abs/2503.08749v1
• Date: Tue, 11 Mar 2025 13:02:18 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:40:02.035159
• Title: Source-free domain adaptation based on label reliability for cross-domain bearing fault diagnosis
• Title（参考訳）: クロスドメインベアリング障害診断のためのラベル信頼性に基づくソースフリードメイン適応
• Authors: Wenyi Wu, Hao Zhang, Zhisen Wei, Xiao-Yuan Jing, Qinghua Zhang, Songsong Wu,
• Abstract要約: ソースフリードメイン適応(SFDA)は、ソースデータにアクセスすることなく、ドメイン間の障害診断に活用されている。 本研究では, 信頼性と信頼性の低い疑似ラベルを併用した, 異常診断のための新しいSFDAベースのアプローチを提案する。 本手法は,既存のSFDAベースのベアリング障害診断法に対して,大幅な性能向上を実現している。
• 参考スコア（独自算出の注目度）: 11.377646664126644
• License:
• Abstract: Source-free domain adaptation (SFDA) has been exploited for cross-domain bearing fault diagnosis without access to source data. Current methods select partial target samples with reliable pseudo-labels for model adaptation, which is sub-optimal due to the ignored target samples. We argue that every target sample can contribute to model adaptation, and accordingly propose in this paper a novel SFDA-based approach for bearing fault diagnosis that exploits both reliable and unreliable pseudo-labels. We develop a data-augmentation-based label voting strategy to divide the target samples into reliable and unreliable ones. We propose to explore the underlying relation between feature space and label space by using the reliable pseudo-labels as ground-truth labels, meanwhile, alleviating negative transfer by maximizing the entropy of the unreliable pseudo-labels. The proposed method achieves well-balance between discriminability and diversity by taking advantage of reliable and unreliable pseudo-labels. Extensive experiments are conducted on two bearing fault benchmarks, demonstrating that our approach achieves significant performance improvements against existing SFDA-based bearing fault diagnosis methods. Our code is available at https://github.com/BdLab405/SDALR.
• Abstract（参考訳）: ソースフリードメイン適応(SFDA)は、ソースデータにアクセスすることなく、ドメイン間の障害診断に活用されている。 現在の手法では, モデル適応のための疑似ラベルを持つ部分的対象標本を選別するが, 無視された対象標本のため, 準最適である。 本論文では, 各対象試料がモデル適応に寄与しうることを論じ, 本論文では, 信頼性と信頼性の低い疑似ラベルを併用した, 故障診断のための新しいSFDAベースのアプローチを提案する。 我々は,データ拡張に基づくラベル投票戦略を開発し,対象サンプルを信頼性と信頼性の低いものに分割する。 本研究では,信頼できない擬似ラベルのエントロピーを最大化することで負の移動を緩和すると共に,信頼できない擬似ラベルを基底トラストラベルとして用いることにより,特徴空間とラベル空間の基盤となる関係について検討する。 提案手法は,信頼性と信頼性の低い擬似ラベルを利用して,識別性と多様性のバランスをとる。 本手法は既存のSFDAベースのベアリングフォールト診断法に対して,大幅な性能向上を達成できることを実証した。 私たちのコードはhttps://github.com/BdLab405/SDALR.comで公開されています。

関連論文リスト

• Label Calibration in Source Free Domain Adaptation [1.2437039433843042]
  本稿では,疑似ラベル改善のための予測不確かさとソフトマックス校正手法を提案する。 我々は,事前および非事前目標知識SFDA設定において,明らかな深層学習損失と情報損失と,校正ソフトマックスとの組み合わせを取り入れた。
  論文  参考訳（メタデータ） (2025-01-13T05:57:09Z)
• Unsupervised Accuracy Estimation of Deep Visual Models using Domain-Adaptive Adversarial Perturbation without Source Samples [1.1852406625172216]
  本研究では,未ラベルのターゲットデータに対して,ソースデータにアクセスせずにモデル精度を推定する新しいフレームワークを提案する。 提案手法は,ソース仮説と対象の擬似ラベル関数との相違率を測定する。 提案するソースフリーフレームワークは,分散シフトの困難なシナリオに効果的に対処し,トレーニングにソースデータやラベルを必要とする既存の手法より優れている。
  論文  参考訳（メタデータ） (2023-07-19T15:33:11Z)
• Refined Pseudo labeling for Source-free Domain Adaptive Object Detection [9.705172026751294]
  ソースフリーDは、未ラベルのターゲットデータのみを用いて、ソーストレーニングされた検出器をターゲット領域に適応させる。 既存のソースフリーD手法は、通常擬似ラベリングを利用しており、性能は信頼しきい値の選択に大きく依存している。 本稿では,各カテゴリに対して適切な閾値を適応的に提供する適応しきい値推定モジュールを提案する。
  論文  参考訳（メタデータ） (2023-03-07T08:31:42Z)
• Learning Unbiased Transferability for Domain Adaptation by Uncertainty Modeling [107.24387363079629]
  ドメイン適応は、ラベル付けされたソースドメインからラベル付けされていない、あるいはラベル付けされていないが関連するターゲットドメインに知識を転送することを目的としています。 ソース内のアノテートされたデータの量とターゲットドメインとの間の不均衡のため、ターゲットの分布のみがソースドメインにアライメントされる。 本稿では,非暴力的非暴力的移動可能性推定プラグイン(UTEP)を提案し,非暴力的移動を最適化するDA法において,識別器の不確実性をモデル化する。
  論文  参考訳（メタデータ） (2022-06-02T21:58:54Z)
• Delving into Probabilistic Uncertainty for Unsupervised Domain Adaptive Person Re-Identification [54.174146346387204]
  ドメイン適応型人物再識別のための確率的不確実性誘導プログレッシブラベル精錬(P$2$LR)という手法を提案する。 擬似ラベルの不確実性を測定し、ネットワークトレーニングを容易にする定量的基準を確立する。 本手法はDuke2Marketタスクではベースラインが6.5%,Market2MSMTタスクでは2.5%,最先端手法では2.5%を上回った。
  論文  参考訳（メタデータ） (2021-12-28T07:40:12Z)
• Source-Free Domain Adaptive Fundus Image Segmentation with Denoised Pseudo-Labeling [56.98020855107174]
  ドメイン適応は通常、ソースドメインデータにアクセスして、ターゲットデータとのドメインアライメントのために配布情報を利用する必要があります。 多くの実世界のシナリオでは、プライバシの問題により、ターゲットドメインのモデル適応中にソースデータがアクセスできない場合がある。 本稿では,本問題に対する新たな擬似ラベル付け手法を提案する。
  論文  参考訳（メタデータ） (2021-09-19T06:38:21Z)
• Adaptive Pseudo-Label Refinement by Negative Ensemble Learning for Source-Free Unsupervised Domain Adaptation [35.728603077621564]
  既存のUnsupervised Domain Adaptation (UDA)メソッドは、トレーニング中にソースとターゲットのドメインデータを同時に利用できると仮定する。 訓練済みのソースモデルは、よく知られたドメインシフトの問題により、ターゲットに対して性能が悪くても、常に利用可能であると考えられている。 適応型ノイズフィルタリングと擬似ラベル改良に取り組むための統一手法を提案する。
  論文  参考訳（メタデータ） (2021-03-29T22:18:34Z)
• Unsupervised Robust Domain Adaptation without Source Data [75.85602424699447]
  我々は、利用できないターゲットラベルとソースデータのコンテキストにおけるロバストなドメイン適応の問題について研究する。 4つのベンチマークデータセットでテストされたベースラインに対して10%以上の精度で一貫したパフォーマンス改善を示す。
  論文  参考訳（メタデータ） (2021-03-26T16:42:28Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• A Free Lunch for Unsupervised Domain Adaptive Object Detection without Source Data [69.091485888121]
  教師なしドメイン適応(unsupervised domain adaptation) ソースとターゲットのドメインデータは自由に利用でき、通常、ドメイン間のギャップを減らすために一緒に訓練される。 ノイズの多いラベルで学習する問題にモデル化することで,ソースデータのないドメイン適応オブジェクト検出(SFOD)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-10T01:42:35Z)

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。