基于单边对齐的缺失类鲁棒域自适应方法及其在故障诊断中的应用
信号处理
2020-01-08 v1 机器学习
图像与视频处理
摘要
域自适应旨在利用源域中学到的知识并将其迁移至目标域，从而提升模型性能。近来，域对抗方法在缓解源域与目标域之间的分布偏移方面尤为成功。然而，这些方法假设两域具有相同的标签空间。该假设对实际应用造成了显著限制，因为目标训练集可能未包含完整的类别集合。本文表明，域对抗方法在训练时若目标标签空间不完整，其性能易受影响。为克服此问题，我们提出一种两阶段单边对齐方法。该方法利用源域的类别间关系，将目标域单边对齐至源域。所提方法的优势首先在MNISTMNIST-M自适应任务上评估，并在一项故障诊断任务上进行了验证，其中目标训练数据集中缺失故障类型的问题在实践中十分常见。两项实验均证明了所提方法的有效性。
引用
@article{arxiv.2001.02015,
title = {Missing-Class-Robust Domain Adaptation by Unilateral Alignment for Fault Diagnosis},
author = {Qin Wang and Gabriel Michau and Olga Fink},
journal= {arXiv preprint arXiv:2001.02015},
year = {2020}
}