EverAdapt: Continuous Adaptation for Dynamic Machine Fault Diagnosis Environments

要約

教師なしドメイン適応 (UDA) は、環境の変化でモデルのパフォーマンスが低下するドメイン シフトに対処する、データ駆動型の障害診断における重要なソリューションとして登場しました。
しかし、継続的に変化する環境の領域では、UDA は新しいドメインに適応するときに、以前に見たドメインではパフォーマンスが低下する傾向があります。これは壊滅的な忘却として知られる問題です。
この制限に対処するために、動的環境での継続的なモデル適応のために特別に設計された EverAdapt フレームワークを導入します。
EverAdapt の中心となるのは、新しい継続的バッチ正規化 (CBN) です。これは、ソース ドメインの統計情報を参照ポイントとして活用し、ドメイン全体で特徴表現を標準化します。
EverAdapt は、以前のドメインからの統計情報を保持するだけでなく、新しいシナリオにも効果的に適応します。
CBN を補完するために、ターゲット ドメインを効果的に統合するためのクラス条件付きドメイン アラインメント モジュールと、メモリ保持を強化するためのサンプル効率の高い再生戦略を設計します。
現実世界のデータセットでの実験では、動的な環境で堅牢な障害診断を維持する点で EverAdapt の優位性が実証されています。
私たちのコードはhttps://github.com/mohamedr002/EverAdaptから入手できます。

要約(オリジナル)

Unsupervised Domain Adaptation (UDA) has emerged as a key solution in data-driven fault diagnosis, addressing domain shift where models underperform in changing environments. However, under the realm of continually changing environments, UDA tends to underperform on previously seen domains when adapting to new ones – a problem known as catastrophic forgetting. To address this limitation, we introduce the EverAdapt framework, specifically designed for continuous model adaptation in dynamic environments. Central to EverAdapt is a novel Continual Batch Normalization (CBN), which leverages source domain statistics as a reference point to standardize feature representations across domains. EverAdapt not only retains statistical information from previous domains but also adapts effectively to new scenarios. Complementing CBN, we design a class-conditional domain alignment module for effective integration of target domains, and a Sample-efficient Replay strategy to reinforce memory retention. Experiments on real-world datasets demonstrate EverAdapt superiority in maintaining robust fault diagnosis in dynamic environments. Our code is available: https://github.com/mohamedr002/EverAdapt

arxiv情報

提供元, 利用サービス

arxiv.jp, Google