面向深度工业迁移学习：基于聚类的迁移案例选择
机器学习
2022-04-05 v1 人工智能
摘要
工业迁移学习在不付出高昂人工成本的情况下，提升了深度学习算法对异构且动态的工业用例的适应性。恰当选择迁移内容可大幅改善迁移结果。本文提出了一种基于聚类的迁移案例选择方法。在对聚类算法进行调研的基础上，为此选用了 BIRCH 算法。该方法在来自离散制造场景的工业时间序列数据集上进行了评估。结果印证了该方法的适用性，因其结果可复现，且对需依次聚类的（子）数据集的顺序、规模与维数在实际中并不敏感。
引用
@article{arxiv.2204.01620,
title = {Towards Deep Industrial Transfer Learning: Clustering for Transfer Case Selection},
author = {Benjamin Maschler and Tim Knodel and Michael Weyrich},
journal= {arXiv preprint arXiv:2204.01620},
year = {2022}
}
备注
7 pages, 5 figurs, 2 tables. Submitted to IEEE ETFA 2022