論文の概要: Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis

• arxiv url: http://arxiv.org/abs/2604.20928v1
• Date: Wed, 22 Apr 2026 08:41:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-24 14:40:06.100571
• Title: Domain-Aware Hierarchical Contrastive Learning for Semi-Supervised Generalization Fault Diagnosis
• Title（参考訳）: 半教師付き一般化故障診断のためのドメイン対応階層的コントラスト学習
• Authors: Junyu Ren, Wensheng Gan, Philip S Yu,
• Abstract要約: 本稿では,障害診断のためのドメイン認識型階層的コントラスト学習(DAHCL)という統合フレームワークを提案する。 DAHCLは、ソースドメインの幾何学的特徴を捉え、異種ソースドメイン間の擬似ラベル予測を校正する。 また,動的信頼層化とファジィコントラスト監視を組み合わせた階層型コントラスト学習モジュールを開発した。
• 参考スコア（独自算出の注目度）: 49.89578655034085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fault diagnosis under unseen operating conditions remains highly challenging when labeled data are scarce. Semi-supervised domain generalization fault diagnosis (SSDGFD) provides a practical solution by jointly exploiting labeled and unlabeled source domains. However, existing methods still suffer from two coupled limitations. First, pseudo-labels for unlabeled domains are typically generated primarily from knowledge learned on the labeled source domain, which neglects domain-specific geometric discrepancies and thus induces systematic cross-domain pseudo-label bias. Second, unlabeled samples are commonly handled with a hard accept-or-discard strategy, where rigid thresholding causes imbalanced sample utilization across domains, while hard-label assignment for uncertain samples can easily introduce additional noise. To address these issues, we propose a unified framework termed domain-aware hierarchical contrastive learning (DAHCL) for SSDGFD. Specifically, DAHCL introduces a domain-aware learning (DAL) module to explicitly capture source-domain geometric characteristics and calibrate pseudo-label predictions across heterogeneous source domains, thereby mitigating cross-domain bias in pseudo-label generation. In addition, DAHCL develops a hierarchical contrastive learning (HCL) module that combines dynamic confidence stratification with fuzzy contrastive supervision, enabling uncertain samples to contribute to representation learning without relying on unreliable hard labels. In this way, DAHCL jointly improves the quality of supervision and the utilization of unlabeled samples. Furthermore, to better reflect practical industrial scenarios, we incorporate engineering noise into the SSDGFD evaluation protocol. Extensive experiments on three benchmark datasets demonstrate that...
• Abstract（参考訳）: ラベル付きデータが不足している場合、未確認の運転条件下での故障診断は非常に困難である。 半教師付きドメイン一般化障害診断(SSDGFD)は,ラベル付きおよびラベルなしのソースドメインを併用することで,実用的な解決策を提供する。 しかし、既存の方法には2つの制約がある。 まず、ラベルなしドメインの擬似ラベルは、主にラベル付きソースドメインで学んだ知識から生成される。 第二に、未ラベルのサンプルは、厳密なしきい値設定がドメイン間の不均衡なサンプル利用を引き起こすハード・アクセプション・アンド・ディスカード・ストラテジーで扱われ、不確実なサンプルに対するハード・ラベルの割り当ては、追加のノイズを容易に導入することができる。 これらの課題に対処するため,SSDGFDのためのドメイン認識型階層型コントラスト学習(DAHCL)という統合フレームワークを提案する。 具体的には、DAHCLは、ドメイン認識学習(DAL)モジュールを導入し、ソースドメインの幾何学的特徴を明示的に捉え、異種ソースドメイン間で擬似ラベル予測を校正し、擬似ラベル生成におけるクロスドメインバイアスを軽減する。 さらに、DAHCLは、動的信頼層とファジィコントラスト監視を組み合わせた階層的コントラスト学習(HCL)モジュールを開発し、信頼できないハードラベルに頼ることなく、不確実なサンプルが表現学習に寄与できるようにする。 このようにして、DAHCLは、ラベルなしサンプルの監督と利用の質を共同で改善する。 さらに,実用的な産業シナリオを反映するために,SSDGFD評価プロトコルにエンジニアリングノイズを取り入れた。 3つのベンチマークデータセットに関する大規模な実験が、それを実証しています。

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)
• Unsupervised Domain Adaptation for 3D LiDAR Semantic Segmentation Using Contrastive Learning and Multi-Model Pseudo Labeling [0.7373617024876725]
  セグメントレベルでの教師なしのコントラスト学習は、バックボーンネットワークを事前訓練するために使用される。 多様な最先端アーキテクチャのアンサンブルを利用して、マルチモデル擬似ラベル戦略を導入する。 Semantic KITTIからラベルのないターゲットデータセットに適応する実験は、セグメンテーション精度を大幅に改善したことを示している。
  論文  参考訳（メタデータ） (2025-07-24T08:21:43Z)
• Feature Modulation for Semi-Supervised Domain Generalization without Domain Labels [1.2461397728727208]
  半教師付きドメイン一般化(SSDG)は、ラベル付きデータのごく一部をラベルなしデータとともに活用し、モデル一般化を強化する。 既存のSSDGメソッドの多くは、ラベルのないデータに対して擬似ラベル付け(PL)に依存しており、しばしばドメインラベルへのアクセスを前提としている。 我々は、未ラベルデータのドメインラベルがトレーニング中に利用できない、より困難なドメインラベル非依存のSSDGに取り組む。 本稿では,ドメイン固有情報を抑えつつ,クラス識別的特徴を高める特徴変調戦略を提案する。
  論文  参考訳（メタデータ） (2025-03-26T18:10:10Z)
• FedSemiDG: Domain Generalized Federated Semi-supervised Medical Image Segmentation [19.87797382888023]
  医用画像の多様性とラベル付きデータの欠如により、医用画像のセグメンテーションは困難である。 本稿では,FedSemiDGの課題に対処するため,FGASL(Federated Generalization-Aware Semi Supervised Learning)という新しいフレームワークを提案する。 提案手法は最先端のFSSLおよびドメインの一般化手法を著しく上回り,未確認領域に対する堅牢な一般化を実現している。
  論文  参考訳（メタデータ） (2025-01-13T14:54:49Z)
• Disentangling Masked Autoencoders for Unsupervised Domain Generalization [57.56744870106124]
  教師なしの領域一般化は急速に注目されているが、まだ十分に研究されていない。 Disentangled Masked Auto (DisMAE) は、本質的な特徴を忠実に示す不整合表現を発見することを目的としている。 DisMAEは、セマンティックで軽量な変分エンコーダを備えた非対称なデュアルブランチアーキテクチャを共同で訓練する。
  論文  参考訳（メタデータ） (2024-07-10T11:11:36Z)
• Unsupervised Domain Adaptive Salient Object Detection Through Uncertainty-Aware Pseudo-Label Learning [104.00026716576546]
  そこで本研究では,手動のアノテーションを使わずに,自然に高いピクセルラベル品質を有する合成・クリーンなラベルから,サリエンスを学習することを提案する。 提案手法は,複数のベンチマークデータセット上で,既存の最先端の深層教師なしSOD法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-26T16:03:55Z)
• Generalizable Representation Learning for Mixture Domain Face Anti-Spoofing [53.82826073959756]
  ドメイン一般化(DG)に基づく対スプーフィングアプローチは、予期せぬシナリオの堅牢性のために注目を集めています。 ドメインダイナミック調整メタラーニング(D2AM)についてドメインラベルを使わずに提案する。 この制限を克服するため,ドメインダイナミック調整メタラーニング(D2AM)を提案する。
  論文  参考訳（メタデータ） (2021-05-06T06:04:59Z)
• Domain Generalization via Semi-supervised Meta Learning [7.722498348924133]
  ラベルのないサンプルを活用するための領域一般化法を提案する。 メタ学習アプローチによってトレーニングされ、入力されたソースドメインと見えないターゲットドメイン間の分散シフトを模倣する。 ベンチマークデータセットによる実験結果から,DGは最先端領域の一般化や半教師付き学習方法よりも優れていた。
  論文  参考訳（メタデータ） (2020-09-26T18:05:04Z)

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。