本文提出了一种名为 SensorSCAN 的新型无监督故障检测和诊断方法,主要应用于化学传感器数据的处理,实验结果表明,该方法在公开数据集上的表现优于现有算法,能够有效检测出工业生产中的故障。
Aug, 2022
该研究介绍了一个针对大规模工业过程的机器学习框架,旨在识别影响输出的关键参数,并生成精确的离样品定性和定量预测。该框架使用化学气相沉积作为示例,通过合并专业知识和聚类技术,确定了关键过程输入,并证明在输入众多、数据不足以直接应用深度学习技术的情况下具有价值,为底层过程提供有意义的洞察。
May, 2024
本研究探讨了利用自监督学习技术预先在未标记传感器数据上对深度学习模型进行预训练,以及少样本学习技术,是否对飞行器结构所使用的 铝合金板的剩余寿命估计有用。结果表明,经过自监督预训练的模型能够显著地提高下游的剩余寿命预测任务中的预测性能,并且具有更小的计算成本,对于仅具有有限的标记数据的预测任务具有很大的价值。
Jan, 2023
本研究系统比较了半监督学习方法在液压系统异常检测中的应用,设计了一种基于极限学习机的半监督 HELM 模型,并证实其在半监督方法中具有卓越的性能。
Jun, 2023
本文对深度学习下工业图像无监督异常定位的近期研究成果进行了综述与分析,包括各种概念、挑战、分类、基准数据集及量化性能比较,并提供了未来研究方向的预测和分析。
Jul, 2022
本文提出一种基于掩蔽自编码器的方法,利用未标注数据进行自监督,并将其用于残余寿命(RUL)预测。在 C-MAPSS 数据集上的实验表明,相较于使用完全监督模型的方法,本文的方法在 RUL 预测的准确性和有效性上表现更佳。
本文提出了一种将主动学习方法和半监督学习结合的数据驱动软测量方法,通过正交自编码器学习低维特征,以预测化工过程中难以测量的过程变量,实验证明,在流式数据下,该方法可以选择最具信息量的数据点,与传统离线环境相比获得更好的预测表现。
Dec, 2022
提出一种聚类层次的无监督学习方法(UCHL),通过学习科学论文异构图中节点(作者、机构、论文等)的表示方法,实现整张异构图上的链接预测,取得优秀成绩。
Mar, 2022
持续学习中的难题是灾难性遗忘,特别是在人工神经网络(ANNs)等无监督架构中,我们提出了一种称为连续自组织映射(CSOM)的泛化模型来解决这一问题。CSOM 在低内存预算下实现在线无监督学习,在多个基准测试中获得了准确性提高近两倍以及用于自动类别增量学习设置的最新技术成果。
Feb, 2024
研究介绍了一个基于学生 - 教师框架的半监督学习 (SSl) 生产管道,利用数百万未标记的示例来改善自然语言理解 (NLU) 任务,并调查了两个与未标记数据在生产 SSL 环境中的使用相关的问题:1)如何选择从大量未标记数据池中受益于 SSL 培训的样本,2)选定数据如何影响不同的最先进的 SSL 技术的性能。结合委员会选择和子模块优化选择两种数据选择方法,比较了四种广泛使用的 SSL 技术,包括伪标签 (PL)、知识蒸馏 (KD)、虚拟对抗训练 (VAT) 和交叉视图训练 (CVT)。我们进一步探讨了这些技术在意向分类 (IC) 和命名实体识别 (NER) 任务中的优缺点,并提供了指导方针,指定每种方法何时可能有益于改善大规模 NLU 系统。
Mar, 2021