論文の概要: Cross-Asset Knowledge Transfer for Early Fault Detection of Data-Scarce Assets Without Target Fault Data

• arxiv url: http://arxiv.org/abs/2611.06194v2
• Date: Thu, 05 Nov 2026 12:24:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.404368
• Title: Cross-Asset Knowledge Transfer for Early Fault Detection of Data-Scarce Assets Without Target Fault Data
• Title（参考訳）: 目標故障データのないデータ・スカース・アセットの早期故障検出のためのクロス・アセット・ナレッジ・トランスファー
• Abstract要約: 信頼性管理は早期の障害警告に依存するが、類似資産のライフサイクルデータは極めて不均衡である。 本稿では,データリッチソース資産からデータスカースターゲット資産へ,ターゲットに障害データが観測されていない場合に,診断知識をどのように転送できるかを問う。 我々は、ゼロショット領域適応問題としてクロスアセスト早期故障検出を定式化し、ゼロショットは対象故障サンプルの欠如を指し、ターゲットからの正規データのみを必要とするフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 15.399692698838377
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliability management of industrial fleets depends on early fault warnings, yet lifecycle data across similar assets are highly imbalanced. A few assets accumulate run-to-failure histories, while newly installed or rarely failing assets provide only normal-condition data. This paper asks how diagnostic knowledge can be transferred from a data-rich source asset to a data-scarce target asset when no fault data have been observed on the target. We formulate cross-asset early fault detection as a zero-shot domain adaptation problem, in which zero-shot refers to the absence of target fault samples, and propose a framework that requires only normal data from the target. The framework comprises (1) a statistical process control step that labels the source asset run-to-failure data with an exponentially weighted moving average chart, reducing manual annotation to verifying flagged segments, (2) an Adapted Domain-Adversarial Neural Network (ADANN) that combines domain-adversarial training and a Maximum Mean Discrepancy penalty with an Adapted Classification-Domain (ACD) loss, which anchors the classifier normal region to the target own normal data, and (3) an ahead-of-time labeling scheme with a prediction horizon that targets incipient faults. Under an exact-classification assumption, a theoretical analysis characterizes the domain-adversarial term for a normal-only target and the alignment state in which source fault features remain separated from target normal features. On a public run-to-failure bearing dataset, ADANN attains the highest mean F1-score among four transfer baselines, with a nominally significant precision gain over the strongest baseline, and its robustness is examined under synthetic noise.
• Abstract（参考訳）: 産業用船の信頼性管理は早期の故障警告に依存するが、類似資産のライフサイクルデータは極めて不均衡である。 少数の資産はラン・ツー・フェイル・ヒストリーを蓄積する一方、新しく設置された、または滅多に失敗した資産は正常な条件データのみを提供する。 本稿では,データリッチソース資産からデータスカースターゲット資産へ,ターゲットに障害データが観測されていない場合に,診断知識をどのように転送できるかを問う。 我々は、ゼロショット領域適応問題としてクロスアセスト早期故障検出を定式化し、ゼロショットは対象故障サンプルの欠如を指し、ターゲットからの正規データのみを必要とするフレームワークを提案する。 本フレームワークは,(1)データソースのラン・トゥ・フェイルデータを指数関数的に重み付けされた移動平均チャートでラベル付けし,フラグ付きセグメントを検証するための手動アノテーションを減少させる統計処理制御ステップ,(2)ドメイン・アドバイサルトレーニングと最大平均離散性ペナルティ(ACD)を組み合わせたAdapted Classification-Domain(Adapted Classification-Domain)損失と,(3)初期故障をターゲットとする予測水平線を備えた事前ラベル付けスキームを備える。 正確に分類された仮定の下で、理論解析は、正常な対象に対するドメイン対逆項と、対象の正常な特徴から源断層特徴が分離されたままのアライメント状態とを特徴付ける。 ADANNは4つの転送ベースラインの中で最も高いF1スコアを達成し、最強ベースラインに対して名目上有意な精度向上を達成し、その頑健さを合成雑音下で検証した。

関連論文リスト

• Domain Adaptive Object Detection via Dual-Stream Bilevel-Cycle Optimization [64.83565413108789]
  サイクル自己学習(CST)は、標準自己学習フレームワークの共有分類器の仮定を破る。 CSTは、ターゲットの擬似ラベルでトレーニングすることで、ラベルなしのターゲットデータを悪用する。
  論文  参考訳（メタデータ） (2026-06-30T09:05:30Z)
• A Transfer Learning Framework for Anomaly Detection in Multivariate IoT Traffic Data [6.229535970620059]
  本稿では,時系列データセットにおける異常検出のための移動学習モデルを提案する。 従来の手法とは異なり、我々の手法はソースまたはターゲットドメインのラベル付きデータを必要としない。 新たな侵入検出データセットの実証評価は,我々のモデルが既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2025-01-26T02:03:49Z)
• Anomaly Detection with Score Distribution Discrimination [4.468952886990851]
  本稿では,スコア分布の観点から,異常スコア関数の最適化を提案する。 正常試料と異常試料のスコア分布の重なりを最小化するオーバーラップ損失と呼ばれる新しい損失関数を設計する。
  論文  参考訳（メタデータ） (2023-06-26T03:32:57Z)
• Divide and Contrast: Source-free Domain Adaptation via Adaptive Contrastive Learning [122.62311703151215]
  Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。 DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。 さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
  論文  参考訳（メタデータ） (2022-11-12T09:21:49Z)
• 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)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Unsupervised domain adaptation with non-stochastic missing data [0.6608945629704323]
  対象領域に欠落するデータが存在する場合の分類問題に対する教師なし領域適応(UDA)について検討する。 命令はドメイン不変の潜在空間で実行され、完全なソースドメインからの間接的な監視を利用する。 データセットの適応、分類、計算を共同で行う利点を示す。
  論文  参考訳（メタデータ） (2021-09-16T06:37:07Z)
• Importance Weighted Adversarial Discriminative Transfer for Anomaly Detection [15.63763317103138]
  本論文では,異常検知知識を教師なしに転送する重み付け型自動エンコーダ法を提案する。 具体的には、ソース領域とターゲット領域の両方で正規データの分布を調整することを学習するが、ターゲット領域における異常データの分布は変わらない。 このようにして、対象領域内の正常データと異常データの分布との間に明らかなギャップが生じ、ドメイン内の異常検出を可能にする。
  論文  参考訳（メタデータ） (2021-05-14T05:21:17Z)
• Source Data-absent Unsupervised Domain Adaptation through Hypothesis Transfer and Labeling Transfer [137.36099660616975]
  Unsupervised Adapt Adaptation (UDA) は、関連性のある異なるラベル付きソースドメインから新しいラベルなしターゲットドメインへの知識の転送を目標としている。 既存のudaメソッドの多くはソースデータへのアクセスを必要としており、プライバシ上の懸念からデータが機密で共有できない場合は適用できない。 本稿では、ソースデータにアクセスする代わりに、トレーニング済みの分類モデルのみを用いて現実的な設定に取り組むことを目的とする。
  論文  参考訳（メタデータ） (2020-12-14T07:28:50Z)
• Progressive Graph Learning for Open-Set Domain Adaptation [48.758366879597965]
  ドメインシフトは、典型的にはソースとターゲットデータが異なる分布に従うときに発生する視覚認識の基本的な問題である。 本稿では、ターゲットデータにソースデータに存在しない追加のクラスを含むオープンセットドメインシフトのより現実的な問題に取り組む。 本稿では,その基礎となる条件シフトを抑制するために,エピソード学習を伴うグラフニューラルネットワークを統合したエンドツーエンドのプログレッシブグラフ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-22T09:10:34Z)

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。