論文の概要: Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain

• arxiv url: http://arxiv.org/abs/2503.13534v1
• Date: Sat, 15 Mar 2025 14:15:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-19 14:15:18.000205
• Title: Multi-output Classification for Compound Fault Diagnosis in Motor under Partially Labeled Target Domain
• Title（参考訳）: 部分的にラベル付けされたターゲット領域下でのモータの複合故障診断のためのマルチ出力分類
• Authors: Wonjun Yi, Yong-Hwa Park,
• Abstract要約: 本研究では,断層診断における領域適応のための新しいマルチアウトプット分類(MOC)フレームワークを提案する。 従来のマルチクラス分類(MCC)アプローチとは異なり、MOCフレームワークは個々の故障の重症度を独立に分類し、診断精度を向上する。
• 参考スコア（独自算出の注目度）: 5.240890834159944
• License:
• Abstract: This study presents a novel multi-output classification (MOC) framework designed for domain adaptation in fault diagnosis, addressing challenges posed by partially labeled (PL) target domain dataset and coexisting faults in rotating machinery. Unlike conventional multi-class classification (MCC) approaches, the MOC framework independently classifies the severity of each fault, enhancing diagnostic accuracy. By integrating multi-kernel maximum mean discrepancy loss (MKMMD) and entropy minimization loss (EM), the proposed method improves feature transferability between source and target domains, while frequency layer normalization (FLN) effectively handles stationary vibration signals by leveraging mechanical characteristics. Experimental evaluations across six domain adaptation cases, encompassing partially labeled (PL) scenarios, demonstrate the superior performance of the MOC approach over baseline methods in terms of macro F1 score.
• Abstract（参考訳）: 本研究では,故障診断における領域適応のための新しいマルチアウトプット分類(MOC)フレームワークを提案する。 従来のマルチクラス分類(MCC)アプローチとは異なり、MOCフレームワークは個々の故障の重症度を独立に分類し、診断精度を向上する。 MKMMD(Multi-kernel maximum mean discrepancy loss)とエントロピー最小化損失(Entropy Minimization loss, EM)を統合することにより, 周波数層正規化(FLN)は, 機械的特性を利用して定常振動信号を効果的に処理する。 部分ラベル付き (PL) シナリオを含む6つの領域適応事例を対象とした実験により, マクロF1スコアの基準法よりもMOCアプローチの方が優れた性能を示した。

関連論文リスト

• Multi-Source and Test-Time Domain Adaptation on Multivariate Signals using Spatio-Temporal Monge Alignment [59.75420353684495]
  コンピュータビジョンやバイオメディカルデータなどの信号に対する機械学習の応用は、ハードウェアデバイスやセッション記録にまたがる変動のため、しばしば課題に直面している。 本研究では,これらの変動を緩和するために,時空間モンジュアライメント(STMA)を提案する。 我々はSTMAが、非常に異なる設定で取得したデータセット間で、顕著で一貫したパフォーマンス向上をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-07-19T13:33:38Z)
• HCL-MTSAD: Hierarchical Contrastive Consistency Learning for Accurate Detection of Industrial Multivariate Time Series Anomalies [4.806959791183183]
  本稿では,産業用MSSにおける異常検出のための自己教師付き階層的コントラスト整合学習手法を提案する。 HCL-MTSADはマルチレイヤのコントラスト損失を発生させることで、データの一貫性とタイムスタンプと時間的関連を広範囲にマイニングすることができる。 HCL-MTSADの異常検出能力は、F1スコアの平均1.8%で最先端のベンチマークモデルを上回っている。
  論文  参考訳（メタデータ） (2024-04-12T03:39:33Z)
• Weakly supervised covariance matrices alignment through Stiefel matrices estimation for MEG applications [64.20396555814513]
  本稿では,Mixing Model Stiefel Adaptation (MSA)と呼ばれる時系列データに対する新しいドメイン適応手法を提案する。 我々は、ドメイン間の等価な信号分散とペアの対応を確立することにより、ターゲット領域における豊富なラベルのないデータを利用して効果的な予測を行う。 MSAは、Cam-CANデータセットのMEG信号を用いて、タスクの変動を伴う脳年齢回帰の最近の手法より優れている。
  論文  参考訳（メタデータ） (2024-01-24T19:04:49Z)
• Continual-MAE: Adaptive Distribution Masked Autoencoders for Continual Test-Time Adaptation [49.827306773992376]
  連続的テスト時間適応(CTTA)は、ソース事前学習モデルから目標分布の連続的な変化に移行するために提案される。 提案手法は,CTTAタスクの分類とセグメンテーションの両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-12-19T15:34:52Z)
• Multi-Class Anomaly Detection based on Regularized Discriminative Coupled hypersphere-based Feature Adaptation [85.15324009378344]
  本稿では,修正正規化識別変分オートエンコーダ(RD-VAE)によって得られたクラス識別特性を特徴抽出プロセスに組み込んだ新しいモデルを提案する。 提案した正規化識別型超球型特徴適応(RD-CFA)は,多クラス異常検出のための解である。
  論文  参考訳（メタデータ） (2023-11-24T14:26:07Z)
• Weighted Joint Maximum Mean Discrepancy Enabled Multi-Source-Multi-Target Unsupervised Domain Adaptation Fault Diagnosis [15.56929064706769]
  We propose a weighted joint maximum mean discrepancy able multi-source-multi-target unsupervised domain adaptation (WJMMD-MDA)。 提案手法は,複数のラベル付きソースドメインから十分な情報を抽出し,ソースドメインとターゲットドメイン間のドメインアライメントを実現する。 提案手法の性能を3つのデータセットの総合的な比較実験で評価した。
  論文  参考訳（メタデータ） (2023-10-20T16:53:31Z)
• Constructive Incremental Learning for Fault Diagnosis of Rolling Bearings with Ensemble Domain Adaptation [6.7898797318208075]
  転がり軸受の故障診断は 様々な作業条件において 現実的な問題です。 外部環境の複雑さと転がり軸受の構造は、しばしばランダムさとファジネスによって特徴づけられる欠点を示す。 本稿では,CIL-EDA(Constructive Incremental Learning-based ensemble domain adapt)アプローチという新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2023-08-29T02:23:58Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Multi-kernel Correntropy-based Orientation Estimation of IMUs: Gradient Descent Methods [3.8286082196845466]
  コレントロピーに基づく降下勾配(CGD)とコレントロピーに基づく非結合配向推定(CDOE) 従来の方法は平均二乗誤差(MSE)基準に依存しており、外部加速度や磁気干渉に弱い。 新しいアルゴリズムは、カルマンフィルタベースのアプローチよりも計算の複雑さが著しく低いことを示している。
  論文  参考訳（メタデータ） (2023-04-13T13:57:33Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Meta-Causal Feature Learning for Out-of-Distribution Generalization [71.38239243414091]
  本稿では,協調タスク生成モジュール (BTG) とメタ因果特徴学習モジュール (MCFL) を含む,バランス付きメタ因果学習器 (BMCL) を提案する。 BMCLは、分類のためのクラス不変の視覚領域を効果的に識別し、最先端の手法の性能を向上させるための一般的なフレームワークとして機能する。
  論文  参考訳（メタデータ） (2022-08-22T09:07:02Z)

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。