KDDOct, 2019

生成对抗网络用于故障预测

PDF
TL;DR这篇论文提出了一种利用生成式对抗网络的故障预测新算法 (GAN-FP)，该算法可以应用于机器学习算法解决的高度不平衡数据的故障预测问题，利用两个 GAN 网络同时生成训练样本并构建一个推理网络，以预测新样本的故障情况。
prognostics and health managementfailure predictionmachine learning algorithmsgenerative adversarial networksimbalanced classification problems
发现论文，激发创造
  • 基于深度学习预测的对抗样本制作（扩展版）

    通过对 Prognostics and Health Management (PHM) 系统进行敌对样本攻击测试，本论文发现 IoT 传感器和 DL 算法都容易受到攻击，这可能导致 PHM 系统出现严重缺陷，从而减少设备的使用寿命。

    Sep, 2020

  • 物理注脚的模糊生成对抗网络用于鲁棒性失效预测

    本论文提出了一种基于模糊逻辑和生成对抗网络的混合建模方法 - FuzzyGAN，该方法结合了基于物理的模型和数据驱动模型的优点，并在承载问题上显示出更准确的预后能力。

    Jun, 2022

  • 基于生成对抗网络的电子健康记录研究：探索和评估药物诱导的实验室检测轨迹预测方法的框架

    本文提出了一个框架，探索将生成对抗网络应用于连续实验室时间序列数据的价值，提出一种无监督的评估方法来测量合成实验室测试时间序列的预测能力，并证明在训练 GAN 模型之前，将训练集的表示学习纳入考虑是有益的，尤其是在预测药物作用于实验室测试数据方面。

    Dec, 2017

  • 基于深度生成模型的半监督学习用于资产故障预测

    本研究提出了一种基于深度神经网络参数化的生成模型和非线性嵌入技术的半监督学习方法，用于在历史数据中只部分了解健康状况的情况下建立资产故障的数据驱动建模。该方法可以使用有限的健康状况信息构建预测模型，精确预测未来资产的可靠性，实验结果表明深度生成模型所基于的非线性嵌入技术可以有效规范复杂模型，并实现高预测精度，不受健康状况信息可用性的影响。

    Sep, 2017

  • 概率生成对抗网络

    本篇文章介绍了基于概率生成对抗网络 (PGAN) 的新型 GAN 变体， 它将概率模型 (在本例中是高斯混合模型) 整合到 GAN 框架中，从而支持一种新的损失函数，并提供一种有意义的衡量网络生成输出质量的方法，实验证明 MNIST 数据集的 PGAN 能够生成逼真的图像并计算出与生成图像质量相关的似然度，同时 PGAN 在处理 GAN 训练过程中通常存在的稳定性问题方面具有更好的性能。

    Aug, 2017

  • 基于人工和匿名训练的多分类器故障预测模型，确保数据隐私

    本文提出了一种新颖的非侵入式系统故障预测技术，该技术利用开发人员提供的信息和原始日志中的最小信息（而不是挖掘整个日志），并将数 据完全保留在数据所有者的管辖范围内。

    Sep, 2022

  • 利用生成对抗网络提高电子病历深度学习风险预测的性能

    本研究提出了一种基于深度半监督学习框架的 ehrGAN 模型来增强由限制的 Electronic Health Records 数据引发的风险预测绩效，并在两个真实的卫生健康数据集上的实验证明该模型可以产生逼真的数据样本，并且在生成数据的分类任务中，该模型较其他基线方法取得了更显著的改进。

    Sep, 2017

  • FragmGAN: 面向片段数据插值和预测的生成对抗网络

    通过利用响应模式的结构，我们提出了基于 Generative Adversarial Nets (GAN) 的统一灵活框架，旨在同时处理片段数据的插补和标签预测，与其他基于生成模型的插补方法不同的是，该方法具有理论保证并且可以处理 Missing At Random （MAR）的数据。在广泛的实验中，FragmGAN 表现出较大的预测性能优势。

    Mar, 2022

  • 关于 PHM 中 XAI 的准确性

    本文提出一种应用于时间序列回归模型的 XAI 方法的关键性和比较式修订，以探索这些方法的有效性，并比较它们之间的性能差异，结果表明 GRAD-CAM 是最强大的方法。

    Mar, 2023

  • 指定生成对抗网络

    该论文介绍了一种新的生成对抗网络模型，称为 PresGAN。PresGAN 可以有效减少 “mode collapse” 现象，并且通过优化熵正则化对抗性损失，并添加噪声，使得可以估算概率密度。实验结果表明，PresGAN 生成的样本质量高，且可以有效缩小传统 GAN 和变分自编码器之间预测对数似然的差距。

    Oct, 2019