論文の概要: Deep Hierarchical Knowledge Loss for Fault Intensity Diagnosis
- arxiv url: http://arxiv.org/abs/2604.16459v1
- Date: Wed, 08 Apr 2026 06:25:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 02:32:14.01633
- Title: Deep Hierarchical Knowledge Loss for Fault Intensity Diagnosis
- Title（参考訳）: 断層強度診断のための階層的知識損失
- Authors: Yu Sha, Shuiping Gou, Bo Liu, Haofan Lu, Ningtao Liu, Jiahui Fu, Horst Stoecker, Domagoj Vnucec, Nadine Wetzstein, Andreas Widl, Kai Zhou,
- Abstract要約: 断層強度診断(FID)は知的製造において重要な役割を担っている。
本稿では,階層的一貫した表現と予測を実現するために,階層的知識の喪失を伴う新しい枠組みを提案する。
様々な産業領域の4つの実世界のデータセットで実験を行う。
- 参考スコア（独自算出の注目度）: 16.42275905622711
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fault intensity diagnosis (FID) plays a pivotal role in intelligent manufacturing while neglecting dependencies among target classes hinders its practical deployment. This paper introduces a novel and general framework with deep hierarchical knowledge loss (DHK) to achieve hierarchical consistent representation and prediction. We develop a novel hierarchical tree loss to enable a holistic mapping of same-attribute classes, leveraging tree-based positive and negative hierarchical knowledge constraints. We further design a focal hierarchical tree loss to enhance its extensibility and devise two adaptive weighting schemes based on tree height. In addition, we propose a group tree triplet loss with hierarchical dynamic margin by incorporating hierarchical group concepts and tree distance to model boundary structural knowledge across classes. The joint two losses significantly improve the recognition of subtle faults. Extensive experiments are performed on four real-world datasets from various industrial domains (three cavitation datasets from SAMSON AG and one publicly available dataset) for FID, all showing superior results and outperforming recent state-of-the-art FID methods.
- Abstract（参考訳）: 断層強度診断(FID)は知的製造において重要な役割を担い、ターゲットクラス間の依存関係を無視することでその実践的展開を妨げる。
本稿では,階層的一貫した表現と予測を実現するために,Deep Hierarchical Knowledge Los (DHK) を新たに導入する。
我々は,木に基づく正および負の階層的知識制約を生かして,同属性クラスを包括的にマッピングできる新しい階層的木損失を開発する。
さらに,その拡張性を高め,樹高に基づく2つの適応重み付け方式を考案するために,焦点付き階層木損失を設計する。
さらに,階層的群の概念と木間距離をクラス間の境界構造知識のモデル化に組み込むことにより,階層的ダイナミックマージンを持つ群木トリプルト損失を提案する。
この2つの損失は微妙な断層の認識を著しく改善した。
さまざまな産業領域の4つの実世界のデータセット(SAMSON AGの3つのキャビテーションデータセットと1つの公開データセット)に対して、FIDに対して大規模な実験が行われ、いずれも優れた結果を示し、最近の最先端のFID手法よりも優れています。
関連論文リスト
- Hierarchically Robust Zero-shot Vision-language Models [74.79155369056639]
VLM(Vision-Language Models)はゼロショット分類を行うことができるが、敵攻撃の影響を受けやすい。
既存のアプローチは、固定されたテキスト埋め込みをイメージ埋め込みと整合させ、自然なパフォーマンスと堅牢性を犠牲にする。
本稿では,階層的な埋め込みと画像・テキスト・モダリティの対角的ロバストなアライメントに基づく,新しい逆方向の微調整フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-20T21:42:14Z) - Learning the Hierarchical Organization in Brain Network for Brain Disorder Diagnosis [10.444771588267436]
脳階層型組織学習(BrainHO)を提案する。
具体的には,ノードを階層構造に集約する階層的アテンション機構を設計する。
公開されているABIDEとREST-meta-MDDデータセットの実験では、BrainHOは最先端の分類性能を達成するだけでなく、解釈可能な、臨床的に重要なバイオマーカーも明らかにしている。
論文 参考訳（メタデータ） (2026-03-10T12:49:45Z) - Provable Learning of Random Hierarchy Models and Hierarchical Shallow-to-Deep Chaining [58.69016084278948]
我々は、arXiv:2307.02129によって導入された階層的な文脈自由文法を考察し、深層ネットワークと浅層ネットワークの分離を予想する。
弱い条件下では、深い畳み込みネットワークを効率的に訓練し、この関数クラスを学習できることを証明した。
論文 参考訳（メタデータ） (2026-01-27T16:19:54Z) - Learning Consistent Taxonomic Classification through Hierarchical Reasoning [61.372270953201955]
分類学分類における葉レベル精度と階層的整合性を改善するための2段階階層型推論フレームワークを提案する。
我々のフレームワークはQwen2.5-VL-7Bモデルで実装され、葉レベルと階層的整合性の両方で元の72Bを10%以上上回っている。
論文 参考訳（メタデータ） (2026-01-21T03:00:00Z) - A Semantics-Aware Hierarchical Self-Supervised Approach to Classification of Remote Sensing Images [12.282079123411947]
本稿では,階層的特徴と関係を学習するためのセマンティックス・アウェア・ヒエラルキー・コンセンサス(SAHC)手法を提案する。
SAHC法は、階層的な複雑さの異なる3つのベンチマークデータセットで評価される。
実験により,ネットワーク学習の指導における提案手法の有効性と,リモートセンシング画像分類タスクにおける階層的コンセンサスの有効性が示された。
論文 参考訳（メタデータ） (2025-10-06T15:30:39Z) - Hierarchical knowledge guided fault intensity diagnosis of complex industrial systems [9.830457900441939]
本稿では,階層的知識に基づく断層強度診断フレームワーク(HKG)を提案する。
HKGはグラフ畳み込みネットワークを用いて、クラス表現の階層的トポロジカルグラフを大域的階層的分類器の集合にマッピングする。
さらに,クラス間の階層的知識をデータ駆動型統計相関行列に埋め込むことにより,再重み付き階層的知識相関行列(Re-HKCM)を作成する。
論文 参考訳（メタデータ） (2025-08-17T14:22:03Z) - Hierarchical Quantized Diffusion Based Tree Generation Method for Hierarchical Representation and Lineage Analysis [49.00783841494125]
HDTreeは階層的潜在空間内の木関係を、統一的な階層的コードブックと量子化拡散プロセスを用いてキャプチャする。
HDTreeの有効性は、汎用データセットと単一セルデータセットの比較によって示される。
これらの貢献は階層的な系統解析のための新しいツールを提供し、より正確で効率的な細胞分化経路のモデリングを可能にする。
論文 参考訳（メタデータ） (2025-06-29T15:19:13Z) - Hybrid Losses for Hierarchical Embedding Learning [4.2525210928495625]
マルチタスク学習フレームワークにおいて,一般化三重項やクロスエントロピー損失などのハイブリッド損失について検討する。
従来の分類, 検索, 組込み空間構造, 一般化において, 提案されたハイブリッド損失は, 従来よりも優れていたことが実証された。
論文 参考訳（メタデータ） (2025-01-22T10:58:04Z) - Hierarchical clustering with dot products recovers hidden tree structure [53.68551192799585]
本稿では,階層構造の回復に着目した凝集クラスタリングアルゴリズムの新しい視点を提案する。
クラスタを最大平均点積でマージし、例えば最小距離やクラスタ内分散でマージしないような、標準的なアルゴリズムの単純な変種を推奨する。
このアルゴリズムにより得られた木は、汎用確率的グラフィカルモデルの下で、データ中の生成的階層構造をボナフェイド推定することを示した。
論文 参考訳（メタデータ） (2023-05-24T11:05:12Z) - Provable Hierarchy-Based Meta-Reinforcement Learning [50.17896588738377]
HRLをメタRL設定で解析し、下流タスクで使用するメタトレーニング中に学習者が潜在階層構造を学習する。
我々は、この自然階層の標本効率の回復を保証し、抽出可能な楽観主義に基づくアルゴリズムとともに「多様性条件」を提供する。
我々の境界は、時間的・状態的・行動的抽象化などのHRL文献に共通する概念を取り入れており、我々の設定と分析が実際にHRLの重要な特徴を捉えていることを示唆している。
論文 参考訳（メタデータ） (2021-10-18T17:56:02Z) - Learn Class Hierarchy using Convolutional Neural Networks [0.9569316316728905]
画像の階層的分類のための新しいアーキテクチャを提案し、クロスエントロピー損失関数と中心損失を組み合わせた深層線形層を導入する。
階層型分類器は,コンピュータビジョンタスクへの応用を見出す従来の分類手法の利点を示す。
論文 参考訳（メタデータ） (2020-05-18T12:06:43Z)
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。