FedLED：基于垂直联邦迁移学习的无标签设备故障诊断
机器学习
2024-01-01 v1 人工智能
摘要
基于联邦迁移学习（FTL）的智能设备故障诊断引起了学术界和工业界的广泛关注。它使得样本有限的现实工业智能体能够在不危及原始数据隐私的情况下构建故障诊断模型。然而，现有方法既无法解决由实际智能体不同工况引起的强烈样本异构性问题，也无法应对新部署设备极端的故障标签稀缺甚至零标签问题。为解决这些问题，我们提出了 FedLED，这是首个无监督垂直 FTL 设备故障诊断方法，该方法进一步利用无标签目标域的知识以实现有效的无监督模型迁移。使用真实设备监测数据的大量实验结果表明，FedLED 在诊断准确率（最高提升 4.13 倍）和通用性方面均明显优于 SOTA 方法。我们期望我们的工作能激发进一步研究，系统地利用目标域知识增强无标签设备故障诊断。
引用
@article{arxiv.2312.17451,
title = {FedLED: Label-Free Equipment Fault Diagnosis with Vertical Federated Transfer Learning},
author = {Jie Shen and Shusen Yang and Cong Zhao and Xuebin Ren and Peng Zhao and Yuqian Yang and Qing Han and Shuaijun Wu},
journal= {arXiv preprint arXiv:2312.17451},
year = {2024}
}
备注
This paper has been accepted for publication in IEEE Transactions on Instrumentation & Measurement