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