論文の概要: Evidential Domain Adaptation for Remaining Useful Life Prediction with Incomplete Degradation

• arxiv url: http://arxiv.org/abs/2603.15687v1
• Date: Sun, 15 Mar 2026 18:57:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-18 17:42:06.886105
• Title: Evidential Domain Adaptation for Remaining Useful Life Prediction with Incomplete Degradation
• Title（参考訳）: 不完全な劣化を伴う有効寿命予測のための証拠領域適応
• Authors: Yubo Hou, Mohamed Ragab, Yucheng Wang, Min Wu, Abdulla Alseiari, Chee-Keong Kwoh, Xiaoli Li, Zhenghua Chen,
• Abstract要約: ドメイン適応(DA)は、正確な残留有用生命(RUL)予測に対処するために広く採用されている。 その成功にもかかわらず、既存のDAメソッドは、対象ドメインで不完全な劣化軌跡に直面したときに苦労する。 本稿では,エビアダプティブ(EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt,EviAdapt, EviAdapt,EviAdapt,EviAdapt,Evi
• 参考スコア（独自算出の注目度）: 25.711153119967772
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Accurate Remaining Useful Life (RUL) prediction without labeled target domain data is a critical challenge, and domain adaptation (DA) has been widely adopted to address it by transferring knowledge from a labeled source domain to an unlabeled target domain. Despite its success, existing DA methods struggle significantly when faced with incomplete degradation trajectories in the target domain, particularly due to the absence of late degradation stages. This missing data introduces a key extrapolation challenge. When applied to such incomplete RUL prediction tasks, current DA methods encounter two primary limitations. First, most DA approaches primarily focus on global alignment, which can misaligns late degradation stage in the source domain with early degradation stage in the target domain. Second, due to varying operating conditions in RUL prediction, degradation patterns may differ even within the same degradation stage, resulting in different learned features. As a result, even if degradation stages are partially aligned, simple feature matching cannot fully align two domains. To overcome these limitations, we propose a novel evidential adaptation approach called EviAdapt, which leverages evidential learning to enhance domain adaptation. The method first segments the source and target domain data into distinct degradation stages based on degradation rate, enabling stage-wise alignment that ensures samples from corresponding stages are accurately matched. To address the second limitation, we introduce an evidential uncertainty alignment technique that estimates uncertainty using evidential learning and aligns the uncertainty across matched stages.
• Abstract（参考訳）: ラベル付き対象ドメインデータなしでの正確な保持生活(RUL)予測は重要な課題であり、ラベル付きソースドメインからの知識をラベル付きターゲットドメインに転送することでドメイン適応(DA)が広く採用されている。 その成功にもかかわらず、既存のDA法は、特に遅延劣化段階が欠如しているため、ターゲット領域で不完全な劣化軌道に直面する場合、著しく困難である。 この欠落したデータは、重要な外挿問題をもたらす。 このような不完全なRUL予測タスクに適用すると、現在のDAメソッドは2つの主要な制限に直面する。 まず、ほとんどのDAアプローチは、大域的なアライメントに重点を置いている。これは、ソースドメインの遅延劣化段階と、ターゲットドメインの早期劣化段階とを誤る可能性がある。 第2に、RUL予測における動作条件の変化により、劣化パターンは同じ劣化段階でも異なり、異なる学習特徴が生じる可能性がある。 その結果、分解段階が部分的に整列している場合でも、単純な特徴マッチングは2つの領域を完全に整列することはできない。 これらの制約を克服するために、顕在的学習を利用してドメイン適応を強化するEviAdaptと呼ばれる新しい顕在的適応手法を提案する。 この方法は、まず、ソースとターゲットドメインデータを劣化率に基づいて異なる劣化段階に分割し、対応するステージからのサンプルが正確に一致することを保証する段階的アライメントを可能にする。 第2の限界に対処するために、明細学習を用いて不確実性を推定し、一致した段階間で不確実性を整合させる明らか不確実性アライメント手法を導入する。

関連論文リスト

• Target-specific Adaptation and Consistent Degradation Alignment for Cross-Domain Remaining Useful Life Prediction [24.676267074769537]
  本稿では,TACDAというドメイン間RUL予測のための新しいドメイン適応手法を提案する。 我々は、類似の劣化段階間の一貫したアライメントのための新しいクラスタリングとペアリング戦略を開発する。 提案手法の顕著な性能を実証した。
  論文  参考訳（メタデータ） (2025-12-02T10:15:14Z)
• Uncertainty Awareness on Unsupervised Domain Adaptation for Time Series Data [49.36938105983916]
  教師なし領域適応法は、ラベルのないテストデータに効果的に一般化しようとする。 本稿では,ドメイン間の一般化とロバスト性を改善するために,マルチスケールの特徴抽出と不確実性推定を導入することを提案する。
  論文  参考訳（メタデータ） (2025-08-26T03:13:08Z)
• PseudoCal: A Source-Free Approach to Unsupervised Uncertainty Calibration in Domain Adaptation [87.69789891809562]
  非教師なしドメイン適応(UDA)は、未ラベルのターゲットドメインのモデルの精度を向上する顕著な進歩を目撃している。 UDAモデルの安全な配置の重要な側面であるターゲット領域における予測不確実性の校正は、あまり注目されていない。 PseudoCalは、ラベルのないターゲットデータにのみ依存するソースフリーキャリブレーション手法である。
  論文  参考訳（メタデータ） (2023-07-14T17:21:41Z)
• Boosting Cross-Domain Speech Recognition with Self-Supervision [35.01508881708751]
  自動音声認識(ASR)のクロスドメイン性能は,トレーニングとテストのミスマッチにより著しく損なわれる可能性がある。 従来, 自己監督学習 (SSL) や擬似ラベル学習 (PL) は, 未ラベルデータの自己監督を利用してUDAに有効であることが示された。 この研究は、事前学習および微調整のパラダイムにおいて、ラベルなしデータを完全に活用する体系的なUDAフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-20T14:02:53Z)
• 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)
• Boosting Unsupervised Domain Adaptation with Soft Pseudo-label and Curriculum Learning [19.903568227077763]
  教師なしドメイン適応(UDA)は、完全にラベル付けされたソースドメインからのデータを活用することにより、ラベル付けされていないターゲットドメインの分類性能を向上させる。 ソフトな擬似ラベル戦略を用いてモデル予測の欠陥を大幅に低減するモデルに依存しない2段階学習フレームワークを提案する。 第2段階では,2つのドメインの損失間の重み付けを適応的に制御するカリキュラム学習戦略を提案する。
  論文  参考訳（メタデータ） (2021-12-03T14:47:32Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [86.02012896014095]
  本稿では,ラベル付きソースドメインと非ラベル付きターゲットドメインのシーケンスでモデルを提示する連続的なドメイン適応の問題について検討する。 障害を解決するため,グラディエント正規化コントラスト学習(GRCL)を提案する。 Digits、DomainNet、Office-Caltechベンチマークの実験は、我々のアプローチの強力なパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-03-23T04:10:42Z)
• Regressive Domain Adaptation for Unsupervised Keypoint Detection [67.2950306888855]
  ドメイン適応(DA)は、ラベル付きソースドメインからラベル付きターゲットドメインに知識を転送することを目的とする。 本稿では,教師なしキーポイント検出のためのレグレッシブドメイン適応(RegDA)法を提案する。 提案手法は,異なるデータセット上のPCKにおいて,8%から11%の大幅な改善をもたらす。
  論文  参考訳（メタデータ） (2021-03-10T16:45:22Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)
• Gradient Regularized Contrastive Learning for Continual Domain Adaptation [26.21464286134764]
  本研究では、ラベル付きソースドメインとラベルなしターゲットドメインのシーケンスをモデルに提示する連続的なドメイン適応の問題について検討する。 本研究では,これらの障害を解決するために,グラディエント正規化コントラスト学習を提案する。 本手法は,ラベル付きソースドメインとラベル付きターゲットドメインを併用することにより,意味的識別性とドメイン不変性の両方を共同で学習することができる。
  論文  参考訳（メタデータ） (2020-07-25T14:30:03Z)

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。