关于结构健康监测中域自适应的统计对齐
机器学习
2022-05-25 v1
摘要
结构健康监测（SHM）的实际应用常受限于标记数据的可用性。迁移学习——具体以域自适应（DA）的形式——通过推断对齐特征空间的映射，提供了利用来自物理或数值结构群体的信息的可能性。典型 DA 方法依赖非参数距离度量，需要充足数据以进行密度估计。此外，这些方法在类不平衡下易出现性能退化。为解决这些问题，我们讨论了统计对齐（SA），并展示了如何使这些方法对类不平衡具有鲁棒性，包括称为部分 DA 场景的类不平衡特例。SA 在一个数值案例研究中被证明可在无目标标签情况下实现损伤定位，优于其他 SOTA DA 方法。随后其被证明能够对齐真实异质群体（Z24 和 KW51 桥梁）的特征空间，仅使用了来自 KW51 桥梁的 220 个样本。最后，在需要更复杂映射进行知识迁移的场景中，SA 被证明是一种重要的预处理工具，可提升已有 DA 方法的性能。
引用
@article{arxiv.2205.12052,
title = {On statistic alignment for domain adaptation in structural health monitoring},
author = {Jack Poole and Paul Gardner and Nikolaos Dervilis and Lawrence Bull and Keith Worden},
journal= {arXiv preprint arXiv:2205.12052},
year = {2022}
}