学习不平衡的开放集概括:用于增强机械诊断的元学习框架
IEEE transactions on cybernetics
|March 3, 2025
概括
这项研究引入了一种新的框架,用于解决机械诊断的开放集域概括中的不平衡数据. 该方法可以更好地识别未知的故障状态,提高系统安全性.
科学领域:
- 机器学习 机器学习
- 人工智能的人工智能
- 机械工程 机械工程
背景情况:
- 域泛化 (DG) 在机械诊断中用于处理不同数据分布.
- 开放式总局 (OSDG) 解决了未知的故障状态,但由于数据收集挑战,它遭受了类不平衡.
- 在OSDG中的阶级不平衡扭曲了决策界限,导致对未知的状态和安全风险的错误分类.
研究的目的:
- 开发一种方法,同时解决OSDG未知的领域的领域转移和阶级不平衡.
- 提高机械诊断系统在多样化和不平衡条件下运行的准确性和安全性.
主要方法:
- 提出了一个多源域级梯度协调元学习 (MDGCML) 框架.
- MDGCML协调跨域和跨类之间的梯度,以学习通用决策边界.
- 实现一个联合学习范式,在开放集和封闭集分类器之间共享参数,以便快速适应.
主要成果:
- 拟议的MDGCML框架在处理不平衡的OSDG方面表现卓越.
- 该方法有效地学习了一般化的界限,减轻了域和类转移的影响.
- 在两个基准数据集上验证了有效性,显示了显著的改进.
结论:
- MDGCML框架为机械诊断中不平衡的OSDG提供了强大的解决方案.
- 联合学习方法提高了模型适应未知的领域和故障状态的适应性.
- 这项工作有助于在关键工程领域更可靠,更安全的AI应用.


