赵志斌-Applications of Unsupervised Deep Transfer Learning to Intelligent Fault Diagnosis: A Survey and Comparative Study
代码github链接:https://github.com/HappyBoy-cmd/UDTL
论文链接:https://ieeexplore.ieee.org/document/9552620
简介:UDTL(Unsupervised Deep Transfer Learning)是赵志斌团队在一篇综述提出来的,并提供了开源代码。
本文是整理迁移学习的分类
首先得有个概念,源域(Source domain)和目标域(Target domain)。在机械故障诊断领域可以通过两种不同的工况(转速、负载、故障程度)来理解,比如转速1730rpm为源域,1750,1779,1797rpm为目标域
根据源域数量分类,可分为单源域(Single-domain)和多源域(Multi-domain)
图 1 基于UDTL方法的分类
单源域
单源域根据源域和目标域标签分布情况可分为4种分类任务
1、闭集(close set),或者叫 label-consistent
2、部分集(partial set)
3、开放集(open set)
4、通用集(universal set)
这4种分类任务各自都有4种相同的迁移方法:
①基于网络(模型)的迁移
②基于实例的迁移
③基于映射的迁移
④基于对抗的迁移
多源域
根据目标域是否参与训练可分为
域适应:目标域参与训练
域泛化:目标域未参与训练
如何区分
根据目标域与源域类别个数及类别是否一致性进行判定
1、闭集(close set, label-consistent):源域与目标域类别个数相同,且类别一致
2、部分集(partial set):目标域类别个数比源域个数少,目标域类别是源域类别的子集
3、开放集(open set):目标域类别个数大于源域个数,且目标域存在未知标签
4、通用集(open set):目标域类别是部分集和开放集两者的组合
图 2 可视化解释不同的迁移方法设置。另外,不同的颜色代表不同的域,虚线表示该域不参与训练