FedLED: Label-Free Equipment Fault Diagnosis with Vertical Federated Transfer Learning

要約

Federated Transfer Learning (FTL) に基づくインテリジェントな機器障害診断は、学界と産業界の両方から大きな注目を集めています。
これにより、サンプルが限られている現実世界の産業エージェントが、生データのプライバシーを危険にさらすことなく障害診断モデルを構築できるようになります。
しかし、既存のアプローチでは、実際のエージェントの異なる作業条件によって引き起こされるサンプルの激しい不均一性や、新しく導入された機器の極度の障害ラベルの不足、さらにはゼロにも対処できません。
これらの問題に対処するために、我々は、最初の教師なし垂直 FTL 機器障害診断方法である FedLED を紹介します。この手法では、ラベルなしターゲット ドメインの知識が効果的な教師なしモデル転送にさらに活用されます。
実際の機器モニタリングのデータを使用した広範な実験の結果、FedLED は診断精度 (最大 4.13 倍) と汎用性の両方の点で SOTA アプローチよりも明らかに優れていることが実証されました。
私たちは、私たちの研究が、対象領域の知識によって体系的に強化されたラベルフリーの機器故障診断に関するさらなる研究を刺激することを期待しています。

要約(オリジナル)

Intelligent equipment fault diagnosis based on Federated Transfer Learning (FTL) attracts considerable attention from both academia and industry. It allows real-world industrial agents with limited samples to construct a fault diagnosis model without jeopardizing their raw data privacy. Existing approaches, however, can neither address the intense sample heterogeneity caused by different working conditions of practical agents, nor the extreme fault label scarcity, even zero, of newly deployed equipment. To address these issues, we present FedLED, the first unsupervised vertical FTL equipment fault diagnosis method, where knowledge of the unlabeled target domain is further exploited for effective unsupervised model transfer. Results of extensive experiments using data of real equipment monitoring demonstrate that FedLED obviously outperforms SOTA approaches in terms of both diagnosis accuracy (up to 4.13 times) and generality. We expect our work to inspire further study on label-free equipment fault diagnosis systematically enhanced by target domain knowledge.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google