用无监督学习任务增强蒙特卡洛 dropout 分类模型以检测与诊断分布外故障
机器学习
2019-09-11 v1 信号处理
机器学习
摘要
蒙特卡洛dropout方法已被证明是一种可扩展且易用的深度神经网络预测不确定性估计方法。该方法最近被应用于故障检测与诊断（FDD）中以改善对初期故障的分类性能。在本文中，我们提出一种新方法，通过增加一个额外的无监督学习任务来增强分类模型。我们通过信息论分析论证了算法设计的选取。我们在来自不同应用领域的三个数据集上的实验结果表明，所提方法提升了故障检测与诊断性能，尤其在包含初期和未知故障的分布外样本上。
引用
@article{arxiv.1909.04202,
title = {Augmenting Monte Carlo Dropout Classification Models with Unsupervised Learning Tasks for Detecting and Diagnosing Out-of-Distribution Faults},
author = {Baihong Jin and Yingshui Tan and Yuxin Chen and Alberto Sangiovanni-Vincentelli},
journal= {arXiv preprint arXiv:1909.04202},
year = {2019}
}