基于圆损失的数据驱动结构健康监测模型鲁棒性提升：对抗训练方法

结构健康监测（SHM）是确保航空、土木和机械基础设施安全可靠性的关键任务。由于传感器和计算能力的进步，基于机器学习的数据驱动方法在SHM中日益受到青睐。然而，SHM中使用的机器学习模型容易受到对抗样本的攻击——即使输入发生微小变化，也可能导致模型输出不同。本文旨在解决此问题，通过讨论SHM中的对抗防御。本文提出了一种用于防御的对抗训练方法，该方法使用圆损失（circle loss）优化训练中特征之间的距离，以保持样本远离决策边界。通过这种简单而有效的约束，我们的方法在模型鲁棒性方面实现了显著提升，超越了现有的防御机制。