使用真实验证场景比较 AutoML 与深度学习方法在状态监测中的表现
机器学习
2023-08-29 v1 信号处理
摘要
本研究利用 AutoML 工具箱，对传统机器学习方法与深度学习在状态监测任务上进行了广泛比较。实验表明，在所有测试的模型中，随机 K 折交叉验证场景下精度 consistently 较高。然而，在相同数据集上采用留一组外（LOGO）交叉验证时，未出现明确的胜出者，表明真实场景中存在域偏移。此外，本研究评估了传统方法与神经网络的可扩展性与可解释性。传统方法凭借其模块化结构有助于特征识别而提供可解释性。相比之下，神经网络需要如遮挡图等专门解释技术来可视化输入数据中的重要区域。最后，论文强调了特征选择的重要性，尤其在类别变化有限的状态监测任务中。低复杂度模型对此类任务已足够，因为通常仅需输入信号中的少数特征。总之，这些发现为各类方法的优势与局限提供了关键见解，给出了有价值的基准并确定了最适用于状态监测应用的方法，从而增强了其在真实场景中的适用性。
引用
@article{arxiv.2308.14632,
title = {Comparing AutoML and Deep Learning Methods for Condition Monitoring using Realistic Validation Scenarios},
author = {Payman Goodarzi and Andreas Schütze and Tizian Schneider},
journal= {arXiv preprint arXiv:2308.14632},
year = {2023}
}
备注
This work has been submitted to the IEEE for possible publication