DANNTe：域偏移下涡轮机械传感器虚拟化的案例研究
机器学习
2022-01-12 v1
摘要
我们提出一种对抗式学习方法来处理域适应（DA）时间序列回归任务（DANNTe）。该回归旨在构建安装在燃气轮机上的传感器的虚拟副本，以在物理传感器在某些情形下缺失时替代使用。我们的 DA 方法是寻找特征的一种域不变表示。学习器可访问带标签的源数据集与无标签的目标数据集（无监督 DA），并在两者上训练，利用任务回归器与域分类器神经网络之间的极小极大博弈。两个模型共享由特征提取器学习的相同特征表示。本工作基于 Ganin 等人发表的结果（arXiv:1505.07818）；事实上，我们给出了适用于时间序列应用的扩展。与仅在源域上训练的基线模型相比，我们报告了回归性能的显著提升。
引用
@article{arxiv.2201.03850,
title = {DANNTe: a case study of a turbo-machinery sensor virtualization under domain shift},
author = {Luca Strazzera and Valentina Gori and Giacomo Veneri},
journal= {arXiv preprint arXiv:2201.03850},
year = {2022}
}
备注
5 pages, 3 figures, NeurIPS 2021