GraSSNet：图软测量神经网络
机器学习
2021-11-16 v1 人工智能
摘要
在大数据时代，基于数据驱动的分类已成为智能制造中指导生产与优化检测的重要方法。实践中获取的工业数据通常是由软传感器采集的时序数据，具有高度非线性、非平稳、不平衡和噪声大的特点。现有大多数软测量机器学习模型侧重于捕捉序列内时间依赖性或预定义的序列间相关性，却忽略了标签间的相关性，因每个样本同时关联多个标签。本文提出一种新颖的基于图的软测量神经网络(GraSSNet)，用于含噪声且高度不平衡软测量数据的多元时间序列分类。所提GraSSNet能够：1)在谱域联合捕捉序列间与序列内依赖；2)通过叠加由统计共现信息构建的标签图来利用标签相关性；3)利用注意力机制从文本与数值域学习特征；4)通过半监督学习利用未标注数据并缓解数据不平衡。在希捷(Seagate)软测量数据上与其他常用分类器进行了对比研究，实验结果验证了所提方法的优越性能。
引用
@article{arxiv.2111.06980,
title = {GraSSNet: Graph Soft Sensing Neural Networks},
author = {Yu Huang and Chao Zhang and Jaswanth Yella and Sergei Petrov and Xiaoye Qian and Yufei Tang and Xingquan Zhu and Sthitie Bom},
journal= {arXiv preprint arXiv:2111.06980},
year = {2021}
}