論文の概要: Physics-informed transfer learning for SHM via feature selection

• arxiv url: http://arxiv.org/abs/2507.19519v1
• Date: Fri, 18 Jul 2025 14:28:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-03 20:19:02.84066
• Title: Physics-informed transfer learning for SHM via feature selection
• Title（参考訳）: 特徴選択によるSHMの物理情報伝達学習
• Authors: J. Poole, P. Gardner, A. J. Hughes, N. Dervilis, R. S. Mills, T. A. Dardeno, K. Worden,
• Abstract要約: 伝達学習(TL)は、関連するドメイン間の情報を活用するために用いられる。 ドメインと機能の選定はドメインの専門知識に依存している。 MAC(Modal Assurance criterion)は、健全な構造のモード間の対応を定量化するために用いられる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Data used for training structural health monitoring (SHM) systems are expensive and often impractical to obtain, particularly labelled data. Population-based SHM presents a potential solution to this issue by considering the available data across a population of structures. However, differences between structures will mean the training and testing distributions will differ; thus, conventional machine learning methods cannot be expected to generalise between structures. To address this issue, transfer learning (TL), can be used to leverage information across related domains. An important consideration is that the lack of labels in the target domain limits data-based metrics to quantifying the discrepancy between the marginal distributions. Thus, a prerequisite for the application of typical unsupervised TL methods is to identify suitable source structures (domains), and a set of features, for which the conditional distributions are related to the target structure. Generally, the selection of domains and features is reliant on domain expertise; however, for complex mechanisms, such as the influence of damage on the dynamic response of a structure, this task is not trivial. In this paper, knowledge of physics is leveraged to select more similar features, the modal assurance criterion (MAC) is used to quantify the correspondence between the modes of healthy structures. The MAC is shown to have high correspondence with a supervised metric that measures joint-distribution similarity, which is the primary indicator of whether a classifier will generalise between domains. The MAC is proposed as a measure for selecting a set of features that behave consistently across domains when subjected to damage, i.e. features with invariance in the conditional distributions. This approach is demonstrated on numerical and experimental case studies to verify its effectiveness in various applications.
• Abstract（参考訳）: 構造健康モニタリング(SHM)システムのトレーニングに使用されるデータは高価であり、特にラベル付きデータを得るには実用的ではないことが多い。 人口ベースSHMは、この問題の潜在的な解決策として、構造群全体にわたって利用可能なデータを考える。 しかし、構造の違いはトレーニングとテストの分布が異なることを意味するため、従来の機械学習手法では構造間の一般化は期待できない。 この問題に対処するために、トランスファーラーニング(TL)は、関連するドメイン間の情報を活用するために使用できる。 重要な考慮事項は、ターゲット領域におけるラベルの欠如が、限界分布間の差を定量化するためにデータベースのメトリクスを制限することである。 したがって、一般的な非教師付きTL手法の適用の前提条件は、適切なソース構造(ドメイン)と、条件分布が対象構造と関連している一連の特徴を特定することである。 一般に、ドメインと特徴の選択はドメインの専門知識に依存するが、構造物の動的応答に対する損傷の影響のような複雑なメカニズムでは、この課題は自明ではない。 本稿では、物理の知識を利用して、より類似した特徴を抽出し、健全な構造のモード間の対応を定量化するために、MAC(Modal Assurance criterion)を用いる。 MACは、分類器がドメイン間で一般化するかどうかの主指標である共同分布類似度を測定する教師付き計量と高い対応を持つ。 MACは、損傷を受けたとき、すなわち条件分布に不変な特徴として、ドメイン間で一貫して振る舞う一連の特徴を選択するための尺度として提案されている。 本手法は, 各種応用における有効性を検証するために, 数値解析および実験ケーススタディで実証された。

関連論文リスト

• DIGIC: Domain Generalizable Imitation Learning by Causal Discovery [69.13526582209165]
  因果性は機械学習と組み合わせて、ドメインの一般化のための堅牢な表現を生成する。 我々は、実証データ分布を活用して、ドメインの一般化可能なポリシーの因果的特徴を発見するために、異なる試みを行っている。 DIGICと呼ばれる新しいフレームワークを設計し、実演データ分布から専門家行動の直接的な原因を見出すことにより因果的特徴を識別する。
  論文  参考訳（メタデータ） (2024-02-29T07:09:01Z)
• Quantifying the value of information transfer in population-based SHM [0.0]
  人口ベース構造健康モニタリング(PBSHM)は、データ不足に関連するいくつかの制限に対処しようと試みている。 本論文は, シミュレーションされた構造物群を対象とした分類課題の移動戦略決定過程を実証することを目的とする。
  論文  参考訳（メタデータ） (2023-11-06T13:10:38Z)
• Comparing AutoML and Deep Learning Methods for Condition Monitoring using Realistic Validation Scenarios [0.0]
  本研究では、AutoMLツールボックスを用いた条件監視タスクにおける従来の機械学習手法とディープラーニングを広範囲に比較する。 実験では、ランダムなK倍のクロスバリデーションシナリオにおいて、全ての試験モデルに対して一貫した高い精度を示す。 実際のシナリオにおけるドメインシフトの存在を示す明確な勝者は現れない。
  論文  参考訳（メタデータ） (2023-08-28T14:57:29Z)
• iSCAN: Identifying Causal Mechanism Shifts among Nonlinear Additive Noise Models [48.33685559041322]
  本稿では,同一変数集合上の2つ以上の関連するデータセットにおける因果メカニズムシフトの同定に焦点をあてる。 提案手法を実装したコードはオープンソースであり、https://github.com/kevinsbello/iSCAN.comで公開されている。
  論文  参考訳（メタデータ） (2023-06-30T01:48:11Z)
• On the Interventional Kullback-Leibler Divergence [11.57430292133273]
  因果モデル間の構造的差異と分布的差異を定量化するために、Interventional Kullback-Leibler divergenceを導入する。 本稿では,介入対象に対する十分な条件を提案し,モデルが確実に一致または一致しない観察変数のサブセットを同定する。
  論文  参考訳（メタデータ） (2023-02-10T17:03:29Z)
• Conditional Feature Importance for Mixed Data [1.6114012813668934]
  ノックオフサンプリングを用いた条件付き予測インパクト(CPI)フレームワークを開発した。 提案するワークフローは,I型エラーを制御し,高い出力を達成し,他の条件FI測定結果と一致していることを示す。 本研究は,混合データに対して,統計的に適切な,専門的な手法を開発することの必要性を強調した。
  論文  参考訳（メタデータ） (2022-10-06T16:52:38Z)
• Gated Domain Units for Multi-source Domain Generalization [14.643490853965385]
  分散シフト(DS)は、テスト時のデータセットとトレーニング時のデータセットが異なる場合に発生する。 GDU(Gated Domain Units)で構成されるモジュール型ニューラルネットワークレイヤを導入し,各潜伏する基本分布の表現を学習する。 推論中、各基本分布の表現と新しい観測結果を比較することで、重み付けされた学習機械のアンサンブルを作成することができる。
  論文  参考訳（メタデータ） (2022-06-24T18:12:38Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Accuracy on the Line: On the Strong Correlation Between Out-of-Distribution and In-Distribution Generalization [89.73665256847858]
  分布外性能は,広範囲なモデルと分布シフトに対する分布内性能と強く相関していることを示す。 具体的には,CIFAR-10 と ImageNet の変種に対する分布内分布と分布外分布性能の強い相関関係を示す。 また,CIFAR-10-Cと組織分類データセットCamelyon17-WILDSの合成分布の変化など,相関が弱いケースについても検討した。
  論文  参考訳（メタデータ） (2021-07-09T19:48:23Z)
• Towards Uncovering the Intrinsic Data Structures for Unsupervised Domain Adaptation using Structurally Regularized Deep Clustering [119.88565565454378]
  Unsupervised Domain Adapt (UDA) は、ターゲットドメイン上のラベルなしデータの予測を行う分類モデルを学ぶことである。 本稿では,対象データの正規化判別クラスタリングと生成クラスタリングを統合する構造的正規化深層クラスタリングのハイブリッドモデルを提案する。 提案するH-SRDCは, インダクティブ設定とトランスダクティブ設定の両方において, 既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2020-12-08T08:52:00Z)
• 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)

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。