利用深度生成数据增强改进过时预测：面向低数据工业应用的半监督框架
机器学习
2025-05-05 v1 人工智能
摘要
电子元器件过时问题在长生命周期的系统中尤为关键。人们采用各种过时管理方法来减轻其影响，其中过时预测是一种备受追捧且突出的方法。因此，已经提出了许多基于机器学习的预测方法。然而，机器学习模型需要大量相关数据才能达到高精度，而在某些情况下，当前的过时态势中缺乏这些数据。本文介绍了一种基于深度学习的过时预测新框架。该框架通过深度生成模型解决了可用数据不足的问题，即生成新的过时案例并将其用于增强训练数据集。增强后的数据集随后用于训练一个经典的基于机器学习的过时预测模型。为了使用增强数据集训练经典预测模型，现有的经典监督学习分类器在此框架内被适配用于半监督学习。所提出的框架在基准数据集上展示了最先进的结果。
引用
@article{arxiv.2505.01261,
title = {Enhancing Obsolescence Forecasting with Deep Generative Data Augmentation: A Semi-Supervised Framework for Low-Data Industrial Applications},
author = {Elie Saad and Mariem Besbes and Marc Zolghadri and Victor Czmil and Claude Baron and Vincent Bourgeois},
journal= {arXiv preprint arXiv:2505.01261},
year = {2025}
}