从零样本学习理论模型到工业应用

从零样本学习理论模型到工业应用—–动机、演变与挑战

本文主要是介绍从零样本学习理论模型到工业应用—–动机、演变与挑战，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

源自：控制与决策

作者：赵健程冯良骏岳嘉祺张堡霖赵春晖付永鹏王福利

注：若出现显示不完全的情况，可 V 搜索“人工智能技术与咨询”查看完整文章
人工智能、大数据、多模态大模型、计算机视觉、自然语言处理、数字孪生、深度强化学习······ 课程也可加V“人工智能技术与咨询”报名参加学习

摘要

随着工业大数据技术的发展,应用于工业对象的有监督方法得到广泛研究.真实数据往往遵循长尾类分布,导致传统有监督模型在实际应用过程中存在模型退化以及模型失效等问题.零样本学习(zero-shot learning, ZSL)技术的提出为这一问题提供了一种新的解决思路.零样本学习的目标是使用收集到的已见类别数据训练模型,使得训练好的模型对于收集不到数据的未见类别同样适用.零样本学习通过将故障的文本描述等辅助知识引入到模型中,一定程度上缓解了模型在实际工业场景中对训练数据收集的依赖,提高了模型的泛化性能.然而,目前领域内尚缺乏对零样本学习在工业领域应用的系统梳理与讨论,而工业零样本学习在辅助知识的收集和处理、研究方法、应用场景等方面与其他领域的零样本学习相比也具有独特性.鉴于零样本学习在工业领域潜在的巨大应用价值和未来的发展潜力,系统性梳理和展示了从零样本学习理论模型到工业应用的动机、演变与挑战.首先,回顾零样本学习设定与相关方法的发展脉络,分析零样本学习与其他任务设定之间的关联,并指出本文与前人综述的区别.接下来,回顾工业领域零样本学习的研究现状,介绍典型的工业零样本学习任务和辅助知识,分析工业零样本学习的特征和典型问题,梳理工业领域零样本任务中应用的现有方法.此外,梳理工业零样本任务的基准数据集和开源工作.最后,在现有研究的基础上总结工业零样本任务面临的问题与挑战,并对该领域的研究做出展望.

关键词

零样本学习；迁移学习；工业人工智能；机器学习；故障诊断；缺陷检测

引言