通过在线选择克服负迁移：面向故障诊断的远域适应
机器学习
2024-05-29 v1
摘要
无监督域适应 (UDA) 在故障诊断中取得了显著成功，为 diverse 的工业应用带来了巨大益处。虽然大多数 UDA 方法关注源域和目标域高度相似的跨工况场景，但实际应用常面临严重的域偏移。我们提出“远域适应问题”一词，以描述从有标签源域适应至显著不同的无标签目标域的挑战。该问题表现出负迁移的风险，即来自源域的无关知识会 adversely 影响目标域性能。遗憾的是，传统 UDA 方法在缓解这种负迁移时往往失效，导致次优性能。为应对这一挑战，我们提出了一种新颖的在线选择性对抗对齐 (OSAA) 方法。OSAA 的核心在于其能够通过在线梯度掩码方法动态识别并排除远源样本，主要关注与目标样本高度相似的源样本。此外，认识到桥接源域和目标域的固有复杂性，我们构建了一个中间域作为过渡域以缓解适应过程。最后，我们开发了类条件对抗适应，在学习域不变表示的同时解决标签分布差异，以应对域之间潜在的标签分布失衡。通过在两个真实世界数据集上的详细实验和消融研究，我们验证了 OSAA 方法优于 state-of-the-art 方法的卓越性能，凸显了其在具有严重域偏移的实际场景中的显著效用。
引用
@article{arxiv.2405.17493,
title = {Overcoming Negative Transfer by Online Selection: Distant Domain Adaptation for Fault Diagnosis},
author = {Ziyan Wang and Mohamed Ragab and Wenmian Yang and Min Wu and Sinno Jialin Pan and Jie Zhang and Zhenghua Chen},
journal= {arXiv preprint arXiv:2405.17493},
year = {2024}
}
备注
8 pages, 5 figures