One-Class Domain Adaptation via Meta-Learning

要約

異常分類タスクのために産業システムに IoT (モノのインターネット) センサーベースの機械学習モデルを導入することは、管理された実験室設定で取得されたトレーニング データが実稼働環境のリアルタイム データと大幅に異なる可能性があるため、分布の変化により重大な課題を引き起こします。
。
さらに、現実世界のアプリケーションの多くは、新しい環境ごとに異常クラスごとに相当な数のラベル付きサンプルを提供することはできません。
したがって、ある環境から別の環境に効果的に移行でき、通常の運用データを使用して迅速に適応できる、適応可能な機械学習モデルを開発することが重要です。
我々は、この問題設定を任意の分類タスクに拡張し、1 クラス ドメイン適応 (OC-DA) 問題設定を定式化しました。
私たちはメタ学習アプローチを採用して OC-DA の課題に取り組み、バイレベルのメタ学習アルゴリズムを OC-DA に適応させるタスク サンプリング戦略を提案しました。
私たちは、確立されたモデル非依存型メタ学習 (MAML) アルゴリズムを修正し、OC-DA MAML アルゴリズムを導入しました。
私たちは、OC-DA MAML がドメイン間での迅速な 1 クラス適応を可能にするメタパラメータを最適化することを示す理論分析を提供しました。
OC-DA MAML アルゴリズムは、Rainbow-MNIST メタ学習ベンチマークと、振動ベースのセンサー読み取り値の実世界データセットに基づいて評価されます。
結果は、OC-DA MAML がターゲット ドメインのパフォーマンスを大幅に向上させ、標準のタスク サンプリング戦略を使用した MAML よりも優れていることを示しています。

要約(オリジナル)

The deployment of IoT (Internet of Things) sensor-based machine learning models in industrial systems for anomaly classification tasks poses significant challenges due to distribution shifts, as the training data acquired in controlled laboratory settings may significantly differ from real-time data in production environments. Furthermore, many real-world applications cannot provide a substantial number of labeled examples for each anomalous class in every new environment. It is therefore crucial to develop adaptable machine learning models that can be effectively transferred from one environment to another, enabling rapid adaptation using normal operational data. We extended this problem setting to an arbitrary classification task and formulated the one-class domain adaptation (OC-DA) problem setting. We took a meta-learning approach to tackle the challenge of OC-DA, and proposed a task sampling strategy to adapt any bi-level meta-learning algorithm to OC-DA. We modified the well-established model-agnostic meta-learning (MAML) algorithm and introduced the OC-DA MAML algorithm. We provided a theoretical analysis showing that OC-DA MAML optimizes for meta-parameters that enable rapid one-class adaptation across domains. The OC-DA MAML algorithm is evaluated on the Rainbow-MNIST meta-learning benchmark and on a real-world dataset of vibration-based sensor readings. The results show that OC-DA MAML significantly improves the performance on the target domains and outperforms MAML using the standard task sampling strategy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google