Dual-Contrastive Multiview Graph Attention Network for Industrial Fault Diagnosis Under Domain and Label Shift
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Recently, domain generalization (DG) methods have been actively researched for the complex industrial fault diagnosis, which aims to learn generalized representations from historical working conditions to build a diagnosis model that can perform well on unseen working conditions. However, these methods ignore the interactions between monitoring variables, which may fail to learn the feature representation with topological structure in non-Euclidean space. In addition, these methods assume the same label distribution across historical and unseen working conditions, which is generally challenging in practice, as the probability of faults varies across different working conditions. This label shift problem can negatively impact the generalization performance. To address these issues, a novel dual-contrastive multiview graph attention network (DMGAT) is proposed in this article. Specifically, a multiview graph attention network (GAT) is designed to explore the intrinsic topological structure of the data, which learns an optimal graph structure that best serves DG by integrating both graph learning and graph convolution in a unified network architecture. In addition, a novel dual-weighted contrastive learning strategy is developed. The intradomain contrastive learning facilitates the extraction of expressive node features, while interdomain contrastive learning simultaneously considers the alignment and separation of semantic probability distributions to extract shared feature representations for multiple source domains under both domain and label shifts. Furthermore, a label sampling probability is used to weight the interdomain contrastive loss and the source domain classification loss, to encourage the model to learn from minor classes in fault diagnosis. Experiments on two cases demonstrate the superiority of the proposed method.
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.
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 | 0,000 | 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 | 0,000 | 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 découle