論文の概要: Few-shot Class-incremental Fault Diagnosis by Preserving Class-Agnostic Knowledge with Dual-Granularity Representations

• arxiv url: http://arxiv.org/abs/2508.16634v1
• Date: Sat, 16 Aug 2025 03:14:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.067246
• Title: Few-shot Class-incremental Fault Diagnosis by Preserving Class-Agnostic Knowledge with Dual-Granularity Representations
• Title（参考訳）: Dual-Granularity Representationを用いたクラス非依存的知識の保存によるクラスインクリメンタルな異常診断
• Authors: Zhendong Yang, Jie Wang, Liansong Zong, Xiaorong Liu, Quan Qian, Shiqian Chen,
• Abstract要約: FSC-FD(Few-Shot Class-Incremental Fault Diagnosis)は,実世界の産業システムにおいて重要である。 本稿では,Dual-Granularity Guidance Network(DGGN)と呼ばれる,Dual-Granularity Representationsに基づく新しいフレームワークを提案する。 提案したDGGNは最先端のFSC-FD手法と比較して診断性能と安定性に優れる。
• 参考スコア（独自算出の注目度）: 16.182587421358235
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-Shot Class-Incremental Fault Diagnosis (FSC-FD), which aims to continuously learn from new fault classes with only a few samples without forgetting old ones, is critical for real-world industrial systems. However, this challenging task severely amplifies the issues of catastrophic forgetting of old knowledge and overfitting on scarce new data. To address these challenges, this paper proposes a novel framework built upon Dual-Granularity Representations, termed the Dual-Granularity Guidance Network (DGGN). Our DGGN explicitly decouples feature learning into two parallel streams: 1) a fine-grained representation stream, which utilizes a novel Multi-Order Interaction Aggregation module to capture discriminative, class-specific features from the limited new samples. 2) a coarse-grained representation stream, designed to model and preserve general, class-agnostic knowledge shared across all fault types. These two representations are dynamically fused by a multi-semantic cross-attention mechanism, where the stable coarse-grained knowledge guides the learning of fine-grained features, preventing overfitting and alleviating feature conflicts. To further mitigate catastrophic forgetting, we design a Boundary-Aware Exemplar Prioritization strategy. Moreover, a decoupled Balanced Random Forest classifier is employed to counter the decision boundary bias caused by data imbalance. Extensive experiments on the TEP benchmark and a real-world MFF dataset demonstrate that our proposed DGGN achieves superior diagnostic performance and stability compared to state-of-the-art FSC-FD approaches. Our code is publicly available at https://github.com/MentaY/DGGN
• Abstract（参考訳）: FSC-FD(Few-Shot Class-Incremental Fault Diagnosis)は, 実世界の産業システムにおいて, 少数のサンプルを忘れることなく, 新たな断層クラスから継続的に学習することを目的としている。 しかし、この挑戦的な課題は、古い知識の破滅的な忘れと、少ない新しいデータへの過度な適合という問題を著しく増幅する。 これらの課題に対処するため,DGGN(Dual-Granularity Guidance Network)と呼ばれる,Dual-Granularity Representationsに基づく新しいフレームワークを提案する。 私たちのDGGNは、特徴学習を2つの並列ストリームに明示的に分離します。 1) 限定された新しいサンプルから識別的,クラス固有の特徴をキャプチャするために,新しい多階インタラクション集約モジュールを利用する,きめ細かな表現ストリーム。 2) 全てのフォールトタイプで共有される一般的なクラスに依存しない知識をモデル化し,保存するために設計された,粗い粒度の表現ストリーム。 これらの2つの表現はマルチセマンティックなクロスアテンション機構によって動的に融合され、安定な粗い知識がきめ細かな特徴の学習を導く。 破滅的な忘れをさらに緩和するため,我々は境界認識の先駆的優先順位付け戦略を設計する。 さらに、データ不均衡に起因する決定境界バイアスに対処するために、分離された平衡ランダムフォレスト分類器を用いる。 TEPベンチマークと実世界のMFFデータセットの大規模な実験により、提案したDGGNは最先端のFSC-FDアプローチと比較して診断性能と安定性に優れることを示した。 私たちのコードはhttps://github.com/MentaY/DGGNで公開されています。

関連論文リスト

• Hierarchical Graph Information Bottleneck for Multi-Behavior Recommendation [31.495904374599533]
  本稿では,マルチビヘイビアレコメンデーションのためのモデルに依存しない階層型グラフ情報ボトルネック(HGIB)フレームワークを提案する。 本フレームワークは,目標行動予測に不可欠な情報を保持するコンパクトかつ十分な表現の学習を最適化する。 実世界の3つの公開データセットに関する総合的な実験を行い、フレームワークの有効性を実証した。
  論文  参考訳（メタデータ） (2025-07-21T08:53:49Z)
• Generalized Semantic Contrastive Learning via Embedding Side Information for Few-Shot Object Detection [52.490375806093745]
  マイクロショットオブジェクト検出(FSOD)の目的は、少数のトレーニングサンプルで新しいオブジェクトを検出することである。 本稿では,特徴空間とサンプル視点から得られる負の影響を緩和する側面情報を紹介する。 我々のモデルは従来の最先端手法よりも優れており、ほとんどのショット/スプリットにおけるFSODの能力は大幅に向上している。
  論文  参考訳（メタデータ） (2025-04-09T17:24:05Z)
• Class Incremental Fault Diagnosis under Limited Fault Data via Supervised Contrastive Knowledge Distillation [9.560742599396411]
  クラスインクリメンタルな障害診断は、以前の知識を維持しながら新しい障害クラスに適応するモデルを必要とする。 本稿では,クラスインクリメンタル・フォールト・診断のためのスーパーバイザード・コントラスト・ナレッジ・ディチリレーションを提案する。
  論文  参考訳（メタデータ） (2025-01-16T13:20:29Z)
• Happy: A Debiased Learning Framework for Continual Generalized Category Discovery [54.54153155039062]
  本稿では,C-GCD(Continuous Generalized Category Discovery)の未探索課題について考察する。 C-GCDは、学習済みのクラスを認識する能力を維持しながら、ラベルのないデータから新しいクラスを漸進的に発見することを目的としている。 本稿では,ハードネスを意識したプロトタイプサンプリングとソフトエントロピー正規化を特徴とする,偏りのある学習フレームワークであるHappyを紹介する。
  論文  参考訳（メタデータ） (2024-10-09T04:18:51Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• 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)

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。