Causality-Augmented generalization network with cross-domain meta-learning for interlayer slipping recognition in viscoelastic sandwich structures
Notice bibliographique
Résumé
Accurate interlayer slipping recognition in viscoelastic sandwich structures (VSSs) is critical for mechanical equipment’s safety and reliability. However, significant domain shifts exist in VSSs data under variable working conditions, and domain data under certain conditions cannot be directly accessed during training. This renders conventional domain adaptation methods ineffective. To address the problems, we proposed causality-augmented generalization network (CGN) without accessing target domains for VSSs’ slipping recognition. CGN comprises a swin-transformer feature extractor and a capsule network classifier with an FC decoder. The feature extractor aims to fully extract discriminative features of VSSs data and promote their domain invariance across multiple domains. Building on this foundation, the classifier further extracts the underlying causal features associated with the labels and performs slipping recognition, thereby enhancing the model’s generalization and stability across various domains. The decoder serves as a regularizer to assist in learning meaningful representations of input data. Moreover, cross-domain meta -learning strategy is incorporated into the generalized training process to further strengthen the model’s generalization ability. The experiments on VSSs’ cross-domain datasets illustrate that CGN can be trained on some domains and directly tested on multiple unknown domains with desirable results, showing its effective generalization and stability for slipping recognition.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».