基于生成对抗网络与谱映射的结构健康监测零样本迁移学习
机器学习
2022-12-09 v1
摘要
为成功训练用于结构健康监测（SHM）应用的数据驱动或混合模型，收集恰当标注、足够丰富且针对具体案例的数据是一项艰巨任务。我们假定，一种利用任意相关源域中可用数据并通过域适应直接应用于目标域的迁移学习（TL）方法，可为此问题提供实质性补救。据此，我们提出一种新颖的TL方法，区分源域的无损伤与损伤情形，并采用域适应（DA）技术。给定仅目标域无损伤情形，DA模块将源域中对比无损伤与损伤情形所积累的知识迁移至目标域。高维特征使得能够运用信号处理领域知识来设计可泛化的DA方法。采用生成对抗网络（GAN）架构进行学习，因其优化过程在零样本设定下可容纳高维输入。同时，其训练目标与SHM中无损伤和损伤数据的情形无缝契合，因其判别器网络区分真实（无损伤）与伪造（可能未见的损伤）数据。大量实验结果表明，该方法在跨三个强异质独立目标结构迁移无损伤与损伤差异知识方面取得成功。采用接收者操作特征曲线下面积（曲线下面积 - AUC）评估目标域中无损伤与损伤情形的区分度，其值高达0.95。在无损伤与损伤情形相互辨明后，执行零样本结构损伤检测。三个独立数据集中所有损伤的平均F1分数分别为0.978、0.992和0.975。
引用
@article{arxiv.2212.04002,
title = {Zero-Shot Transfer Learning for Structural Health Monitoring using Generative Adversarial Networks and Spectral Mapping},
author = {Mohammad Hesam Soleimani-Babakamali and Roksana Soleimani-Babakamali and Kourosh Nasrollahzadeh and Onur Avci and Serkan Kiranyaz and Ertugrul Taciroglu},
journal= {arXiv preprint arXiv:2212.04002},
year = {2022}
}