論文の概要: YOTOnet: Zero-Shot Cross-Domain Fault Diagnosis via Domain-Conditioned Mixture of Experts

• arxiv url: http://arxiv.org/abs/2605.04528v1
• Date: Wed, 06 May 2026 06:12:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.668429
• Title: YOTOnet: Zero-Shot Cross-Domain Fault Diagnosis via Domain-Conditioned Mixture of Experts
• Title（参考訳）: YOTOnet:ドメイン駆動型エキスパート混在によるゼロショット横断断層診断
• Authors: Zesen Wang, Zihao Wu, Yue Hu, Yang Gao, Fuzhen Xuan,
• Abstract要約: YOTOnet(You Only Train Once)は、機械機器のクロスドメイン故障診断に特化した新しいアーキテクチャである。 YOTOnetは,(1)多スケールな拡張畳み込みとFFTベースの時間周波数融合を用いたドメイン非依存表現を抽出する物理対応不変特徴分散器,(2)学習ゲーティングによる特別なプロセッサへの入力を適応的にルーティングするドメイン定義スパースエキスパート(DC-MoE),(3)補助的な制御を備えたデュアルヘッド分類システム,の3つのコアコンポーネントから構成される。
• 参考スコア（独自算出の注目度）: 14.559681703119054
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Mechanical equipment forms the critical backbone of modern industrial production, yet domain shift severely limits the generalization of deep learning based fault diagnosis models across different equipment and operating conditions.Inspired by the success of foundation models in achieving zero-shotgeneralization, we propose YOTOnet (You Only Train Once), a novel architecture specifically designed for cross-domain fault diagnosis in mechanical equipment.YOTOnet comprises three core components: (1) a physics-aware Invariant Feature Distiller that extracts domain-agnostic representations using multi-scale dilated convolutions and FFT-based time-frequency fusion,(2) Domain-Conditioned Sparse Experts (DC-MoE) that adaptively route inputs to specialized processors via learned gating without external meta-data, and (3) a dual-head classification system with auxiliary supervision.Extensive validation on five public bearing datasets (CWRU, MFPT, XJTU,OTTAWA, HUST) through 30 cross-dataset protocols demonstrates the superiority of YOTOnet compared with other state-of-the-art methods. Critically, we observe a clear scaling effect-average test F1 improves from 0.5339(1 training dataset) to 0.705 (4 datasets), with a clear gain when moving from 3 to 4 datasets. These findings provide empirical evidence that foundation model principles can enable robust, train-once deployment for industrial fault diagnosis.
• Abstract（参考訳）: 機械機器は、近代工業生産の重要なバックボーンを形成するが、ドメインシフトは、異なる機器や運用条件間でのディープラーニングに基づく障害診断モデルの一般化を著しく制限する。ゼロショット一般化を達成するための基礎モデルの成功に触発されて、機械機器におけるクロスドメイン障害診断に特化した新しいアーキテクチャであるYOTOnet(You Only Train Once)を提案する。 批判的に、平均的なスケーリング効果テストF1は、0.5339(1トレーニングデータセット)から0.705(4データセット)に改善され、3つから4つのデータセットに移行する際に明らかな利益が得られます。 これらの知見は, 基礎モデル原理が工業的故障診断に堅牢で一貫した展開を可能にするという実証的証拠を提供する。

関連論文リスト

• Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
  そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。 フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。 本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-24T13:21:22Z)
• UniField: A Unified Field-Aware MRI Enhancement Framework [45.03230466428695]
  methodnameは、複数のモダリティと拡張タスクを統合する統合フレームワークである。 我々は、事前学習した3D基礎モデルを利用して、総合的な3Dボリューム情報を利用する。 我々は,総合的なマルチフィールドMRIデータセットを編成し,公開する。
  論文  参考訳（メタデータ） (2026-03-10T05:45:12Z)
• Polarized Direct Cross-Attention Message Passing in GNNs for Machinery Fault Diagnosis [4.542148087324063]
  安全クリティカルな産業システムの信頼性は、回転機械の正確で堅牢な故障診断に依存している。 機械故障診断のための従来のグラフニューラルネットワーク(GNN)は、複雑な動的相互作用をモデル化する際、制限に直面している。 本稿では,データ駆動グラフ構築による適応的メッセージパッシングを可能にする新しい関係学習フレームワークであるPolaDCAを紹介する。
  論文  参考訳（メタデータ） (2026-03-06T14:08:07Z)
• Flexible Gravitational-Wave Parameter Estimation with Transformers [73.44614054040267]
  本稿では,予測時間における多様な解析設定への適応を可能にする,フレキシブルトランスフォーマーベースのアーキテクチャをトレーニング戦略と組み合わせて導入する。 我々は、Dingo-T1と呼ばれる単一のフレキシブルモデルが、第3のLIGO-Virgo-KAGRA観測ランから48の重力波イベントを解析できることを実証した。
  論文  参考訳（メタデータ） (2025-12-02T17:49:08Z)
• DEER: Disentangled Mixture of Experts with Instance-Adaptive Routing for Generalizable Machine-Generated Text Detection [21.449323711668487]
  ドメイン固有のMGTパターンとドメイン一般MGTパターンの両方をキャプチャする新しいフレームワークを提案する。 我々は、ドメイン固有の専門家が人間と機械が生成するテキストのドメイン局所的な微粒化を学習する、エキスパートの混在モジュールを紹介した。 また、各入力インスタンスに対して適切な専門家を動的に選択する強化学習に基づくルーティング機構を設計する。
  論文  参考訳（メタデータ） (2025-11-03T03:36:48Z)
• Localized Kernel Projection Outlyingness: A Two-Stage Approach for Multi-Modal Outlier Detection [0.0]
  Two-Stage LKPLOは、新しいマルチステージアウトレイラ検出フレームワークである。 従来の射影的手法の制約を克服する。 挑戦的なデータセットで最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2025-10-28T03:53:46Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Leveraging Frequency Domain Learning in 3D Vessel Segmentation [50.54833091336862]
  本研究では,Fourier領域学習を3次元階層分割モデルにおけるマルチスケール畳み込みカーネルの代用として活用する。 管状血管分割作業において,新しいネットワークは顕著なサイス性能(ASACA500が84.37%,ImageCASが80.32%)を示した。
  論文  参考訳（メタデータ） (2024-01-11T19:07:58Z)
• Inertial Hallucinations -- When Wearable Inertial Devices Start Seeing Things [82.15959827765325]
  環境支援型生活(AAL)のためのマルチモーダルセンサフュージョンの新しいアプローチを提案する。 我々は、標準マルチモーダルアプローチの2つの大きな欠点、限られた範囲のカバレッジ、信頼性の低下に対処する。 我々の新しいフレームワークは、三重項学習によるモダリティ幻覚の概念を融合させ、異なるモダリティを持つモデルを訓練し、推論時に欠落したセンサーに対処する。
  論文  参考訳（メタデータ） (2022-07-14T10:04:18Z)

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。