本研究提出了一种新颖的 mfDNN 分类器，用于处理高维函数观测数据，采用稀疏深度神经网络架构，并采用 ReLU 激活函数和交叉熵损失函数来最小化多分类分类设置的风险函数。我们证明了 mfDNN 在模拟数据和不同应用领域的基准数据集上的性能。

May, 2023

本文提出一种基于功能映射框架的学习方法，用于直接解决非刚性形状对应问题，包括局部对应和参考地图未知情况下的对应，该方法可以在监督或无监督的情况下进行训练，从数据中直接学习描述符，提高了模型的稳健性和精度，在多个基准数据集上取得了最新的研究成果。

Oct, 2021

该研究提出了一种基于降维技术 UMAP 的故障模式诊断方法，通过将每个单元的退化轨迹投影和可视化到低维空间，并利用这些退化轨迹开发基于时间序列的聚类方法来识别训练单元的故障模式。最后，引入一种具有单调约束的预测模型，能够同时预测测试单元的故障模式标签和剩余寿命，并保持剩余寿命预测值在连续时间步长中的单调性。该模型通过飞机燃气涡轮发动机数据集进行了验证。

Feb, 2024

本文提出了一种人机知识混合增强方法，用于从头开始积累少量数据，并将其作为先验知识提供给模型进行少数据学习，进而在工业缺陷检测中取得了可行性和有效性的进展。

Apr, 2023

提出跨部分多视角网络（CPM-Nets）框架，通过模拟数据传输实现多视角表征的完整性，并通过对抗策略稳定地翻译丢失视图的代价与补充性进行结构化编码，进一步增强数据的完整性，同时引入非参数分类损失，以防止过度拟合。全面实验证明了该算法在分级识别、表示学习和数据填充方面的优越性。

Nov, 2020

本研究提出了一种新的全卷积跨尺度归一化流模型（CS-Flow），该模型通过对不同尺度的多个特征图进行联合处理，能够对工业制造中的缺陷进行自动检测和定位，同时在基准数据集上取得了 100％的区分度（AUROC)。

Oct, 2021

该论文提出一种无需建模过程，通过生成对抗网络（GAN）、新提出的缩放模式损失和动态遮蔽循环次要网络等三方面联合作用直接检测缺陷模式的一阶段框架，在 MVTec AD 数据集的质地类别中表现出比现有技术更高的 F1 分数和更好的普适性。

Jun, 2023

基于机器学习的预测性诊断和健康监测工具为制造商提供了新的机会，以风险优化的方式运营和维护设备，并在其生命周期内更可持续地利用。然而，在大多数工业环境中，数据往往数量有限，质量也可能不一致，这对开发和运行可靠的机器学习模型至关重要。为了弥补这一实践中的差距，成功工业化的预测性诊断和健康监测工具依赖于引入领域专业知识作为先验，以实现足够准确的预测，并提高其可解释性。因此，发展数据驱动的预测性诊断和健康监测工具的关键挑战之一在于将维护人员、开发人员和服务工程师的经验和过程知识转化为数据结构，该结构不仅必须捕捉到专业知识的多样性和变异性，还必须使这些知识能够让各种数据驱动算法访问。这导致数据模型严重依赖于特定应用程序和开发团队旨在检测或预测的故障模式，缺乏标准化方法限制了开发的可扩展性和可转移性，并阻碍了标准数据管理和 MLOps 工具的利用，增加了开发团队的负担。DeepFMEA 从故障模式与影响分析（FMEA）中汲取灵感，以其结构化的方法分析任何技术系统和由此产生的标准化数据模型，同时考虑到捕捉过程和维护专业知识的关键方面，以对领域专家直观，并使得所得信息可以作为先验引入机器学习算法。

May, 2024

通过引入多模态 OOD（Out-of-Distribution）检测基准 MultiOOD，本研究评估了现有的单模态 OOD 检测算法，并提出了 Agree-to-Disagree（A2D）算法和 NP-Mix 异常值合成方法，通过利用多模态信息和探索更广泛的特征空间，显著提升了现有 OOD 检测算法的性能。

May, 2024

使用深度神经网络对多元准周期函数进行联合对齐，既保留相位和振幅的变异性，又使用基于 Fisher-Rao 度量的损失函数进行模型训练，适用于可穿戴设备等多个领域的多元功能数据的统计分析。

Nov, 2023