异构领域自适应与设备匹配：基于 DANN 的循环监督对齐方法（DBACS）
机器学习
2023-01-04 v1
摘要
过程监控与控制在现代工业中对于确保高质量标准和优化生产性能至关重要。这些技术在生产中应用历史悠久，已产生诸多积极影响，但在与工业 4.0 及先进机器学习（尤其是深度学习）方案融合时也蕴含巨大潜力。然而，要在生产中实施这些方案并实现广泛采用，深度学习方法的 scalability 与 transferability 已成为研究焦点。尽管迁移学习在许多情况下（尤其是计算机视觉与同质数据输入）已被证明成功，但应用于异构数据时可能具有挑战性。受将既有流程迁移并标准化至不同非相同环境的需求，以及适配异构数据表示这一挑战的驱动，本文提出带循环监督的领域自适应神经网络（DBACS）方法。DBACS 通过领域自适应（专门针对异构数据）解决模型泛化问题，并以通用方式实现基于深度学习的统计控制方法的迁移与可扩展性。此外，模型各部分的循环交互使 DBACS 不仅能适配领域，还能进行匹配。据我们所知，DBACS 是首个将自适应与匹配相结合用于处理异构数据设置的深度学习方法。为作比较，本文还包含子空间对齐以及通过将数据映射至相关潜在特征空间来处理异构表示的多视图学习。最后，具备适配与匹配能力的 DBACS 被应用于半导体制造中不同机型蚀刻工艺的虚拟量测用例。
引用
@article{arxiv.2301.01038,
title = {Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS)},
author = {Natalie Gentner and Gian Antonio Susto},
journal= {arXiv preprint arXiv:2301.01038},
year = {2023}
}