该博客探讨了在剩余使用寿命（RUL）预测中，由于数据不平衡和缺乏标签，传统的深度学习方法（如DNNs）面临挑战。为解决这一问题，提出了无监督领域适应（DA）方法，特别是针对RUL问题，其中源域和目标域的边缘分布不同但任务相同。文章介绍了不同的DA方法，如TCA和GFK，并讨论了DNN在特征提取中的作用，以及如何通过对抗训练和矩匹配来弥合分布差异。此外，建立了一个新的评估框架，分析了目标域数据量和数据退化程度对DA性能的影响。实验结果显示了所提方法的有效性，并强调了在实际RUL预测中无监督DA的潜力。
RUL论文阅读
——A Novel Evaluation Framework for Unsupervised Domain Adaption on Remaining Useful Lifetime
link : article code
一、 Introduction
由PMD（Predictive Maintenance） 提出 RUL
DNN（require large amount data 但是RUL问题失败数据少 data imbalence）传统有监督学习方法不行
提出无监督DA，介绍DA。对于RUL就是P（Xs）不等于P（Xt）也就是边缘分布不同，所以训练这个模型主要是bridge the difference of margibal feature distributions
扩充： 迁移学习的几种分类方式
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
