論文の概要: Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2510.16033v1
• Date: Thu, 16 Oct 2025 01:13:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 00:56:38.790141
• Title: Global-focal Adaptation with Information Separation for Noise-robust Transfer Fault Diagnosis
• Title（参考訳）: ノイズ・ロバスト伝達異常診断のための情報分離による大域的焦点適応
• Authors: Junyu Ren, Wensheng Gan, Guangyu Zhang, Wei Zhong, Philip S. Yu,
• Abstract要約: ノイズ条件下でのドメイン横断故障診断のための情報分離グローバル焦点対向ネットワーク(ISGFAN)を提案する。 ISGFANは、ドメイン不変のフォールト表現を分離するために、逆学習と改善された損失を統合する情報分離アーキテクチャ上に構築されている。 3つの公開データセットで行った実験は、提案手法が他の顕著な既存手法よりも優れていることを示した。
• 参考スコア（独自算出の注目度）: 48.69961294481149
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing transfer fault diagnosis methods typically assume either clean data or sufficient domain similarity, which limits their effectiveness in industrial environments where severe noise interference and domain shifts coexist. To address this challenge, we propose an information separation global-focal adversarial network (ISGFAN), a robust framework for cross-domain fault diagnosis under noise conditions. ISGFAN is built on an information separation architecture that integrates adversarial learning with an improved orthogonal loss to decouple domain-invariant fault representation, thereby isolating noise interference and domain-specific characteristics. To further strengthen transfer robustness, ISGFAN employs a global-focal domain-adversarial scheme that constrains both the conditional and marginal distributions of the model. Specifically, the focal domain-adversarial component mitigates category-specific transfer obstacles caused by noise in unsupervised scenarios, while the global domain classifier ensures alignment of the overall distribution. Experiments conducted on three public benchmark datasets demonstrate that the proposed method outperforms other prominent existing approaches, confirming the superiority of the ISGFAN framework. Data and code are available at https://github.com/JYREN-Source/ISGFAN
• Abstract（参考訳）: 既存の転送障害診断法は通常、クリーンデータか十分なドメイン類似性のいずれかを仮定し、厳しいノイズ干渉とドメインシフトが共存する産業環境での有効性を制限する。 この課題に対処するために,ノイズ条件下でのクロスドメイン障害診断のための堅牢なフレームワークであるISGFAN(Information separation Global-focal Adversarial Network)を提案する。 ISGFANは、対角学習と改良された直交損失を統合した情報分離アーキテクチャに基づいて、ドメイン不変の障害表現を分離し、ノイズ干渉とドメイン固有特性を分離する。 転送ロバスト性をさらに強化するために、ISGFANは、モデルの条件分布と限界分布の両方を制約する、大域的なドメイン対逆スキームを採用している。 特に、焦点領域逆転成分は、教師なしシナリオにおけるノイズに起因するカテゴリー固有の伝達障害を軽減し、グローバルドメイン分類器は、全体の分布のアライメントを保証する。 3つの公開ベンチマークデータセットで実施された実験は、提案手法が他の顕著な既存手法よりも優れており、ISGFANフレームワークの優位性が確認されていることを示している。 データとコードはhttps://github.com/JYREN-Source/ISGFANで入手できる。

関連論文リスト

• EReLiFM: Evidential Reliability-Aware Residual Flow Meta-Learning for Open-Set Domain Generalization under Noisy Labels [85.78886153628663]
  Open-Set Domain Generalizationは、ディープラーニングモデルが新しいドメインで目に見えないカテゴリを認識できるようにすることを目的としている。 ラベルノイズは、ソースドメインの知識を損なうことによって、オープンセットドメインの一般化を妨げる。 本稿では,ドメインギャップを埋めるために,Evidential Reliability-Aware Residual Flow Meta-Learning (EReLiFM)を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:23:11Z)
• Source-Free Cross-Domain Continual Learning [10.156053708425711]
  リハーサルのない周波数対応動的プロンプトコラボレーション(REFEREE)を提案し、クロスドメイン連続学習の領域におけるラベル付きソースドメインサンプルの欠如に対処する。 REFEREEはソース事前学習モデルと大規模視覚言語モデルとの相乗効果に基づいて構築される。
  論文  参考訳（メタデータ） (2025-10-02T04:09:25Z)
• Integrating Frequency Guidance into Multi-source Domain Generalization for Bearing Fault Diagnosis [24.85752780864944]
  本稿では,FARNetというFourierベースのAugmentation Restruction Networkを提案する。 本発明のネットワークは、振幅スペクトルサブネットワークと位相スペクトルサブネットワークとから構成され、ソースドメインとターゲットドメインとの相違を順次低減する。 モデル出力の決定境界を従来の三重項損失と比較して洗練するために,一般化に寄与する多様体三重項損失を提案する。
  論文  参考訳（メタデータ） (2025-02-01T20:23:03Z)
• Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis [42.85741244467877]
  遠距離領域適応問題」という用語は、ラベル付きソースドメインからラベル付き未ラベルのターゲットドメインへの適応の難しさを記述している。 この問題は、ソースドメインからの外部知識がターゲットドメインのパフォーマンスに悪影響を及ぼす、負の転送のリスクを示す。 この課題に対応するために、我々は、新しいオンライン選択適応(OSAA)アプローチを提案する。
  論文  参考訳（メタデータ） (2024-05-25T07:17:47Z)
• Smart filter aided domain adversarial neural network for fault diagnosis in noisy industrial scenarios [11.094903196524404]
  本稿では,スマートフィルタ支援ドメイン適応ニューラルネットワーク (SFDANN) と呼ばれる非教師付きドメイン適応 (UDA) 手法を提案する。 提案手法は、2つのステップから構成される。第1ステップでは、時間周波数領域におけるソースとターゲットドメインデータの類似性を動的に適用するスマートフィルタを開発する。 2番目のステップでは、スマートフィルタによって再構成されたデータをドメイン逆ニューラルネットワーク(DANN)に入力する。
  論文  参考訳（メタデータ） (2023-07-04T01:47:00Z)
• Generative Model Based Noise Robust Training for Unsupervised Domain Adaptation [108.11783463263328]
  本稿では, 生成モデルに基づくノイズ・ロバスト訓練法(GeNRT)を提案する。 ラベルノイズを緩和しながらドメインシフトを除去する。 Office-Home、PACS、Digit-Fiveの実験は、GeNRTが最先端のメソッドに匹敵するパフォーマンスを実現していることを示している。
  論文  参考訳（メタデータ） (2023-03-10T06:43:55Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)

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。