域自适应学习研究新进展

|-----------------------------------------|----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------|----------------------------------------------------------------------------------------------------------------------|--------------------------------------------------------------------------------------------------------------------------------------------|
| 篇名 | 问题背景 | 方法 | 其他 |
| 域自适应学习研究进展 | 目前关于域自适应学 习产生了大量的理论研究成果, 提出了新的学习算 法, 但是这些理论研究所涉及的领域庞杂, 如统计分 类、自然语言处理、情感分析、机器翻译、气象分析 等领域, 研究内容往往涉及域自适应学习的某一方 面, 存在着概念及定义不统一的问题. | 1 域自适应学习概述 2 样例加权域自适应学习 3 特征表示域自适应学习 4 基于特征和参数分解的域自适应学习 5 多源域自适应学习 6 域自适应学习理论分析 7 域自适应学习最新研究进展 8 当前域自适应存在的问题及未来的发展趋势 | ，本文对域自适应学习方法和理论进 行了综述, 对样例加权域自适应学习、特征表示域自 适应学习、参数和特征分解域自适应学习和多源域 自适应学习进行了详细的阐述, 同时结合域自适应 学习的误差界、高效的度量判据等问题对域自适应 学习的可能性、鲁棒性、统计估计一致性进行了理 论分析 |
| 同时同频全双工场景中的射频域自适应干扰抵消 | .在同时同频全双工传输模式的收发信机中，接 收信号受到了来自本地发送信号的大功率干扰。由 于模数转换器(Analog to Digital Converter, ADC) 的动态范围有限，在进入 ADC 之前接收信号干信 比必须降低到一定水平[6]。因此，在同时同频全双工 系统中，射频域的自干扰抵消技术研究尤为重要。 | 2 系统模型 3 干扰抵消算法 4 性能分析 5 数值与仿真结果 | 本文考虑同时同频全双工传输场景，针对加性 白高斯噪声无线传播信道，在加性白高斯噪声无线 自干扰信道中，提出了一种射频域的自适应干扰抵 消算法；并分析了该方法的收敛性以及收敛速度。 分析和仿真表明， |
| 一种面向旋转机械的基于 Transformer 特征提取的 域自适应故障诊断∗ | 在已有的大量研究中,基于深度学习的诊断方法在 完成普通的机械设备故障诊断任务时展现出了优秀的性 能。 在实际工业场景中,由于工作条件的变化、设备的自 然磨损、机器设备变化等因素,数据分布差异在所难免。 当训练集和测试集之间存在数据分布差异时,大多数模 型的性能会严重下降。 重新训练新的模型需要大量的标 记数据,但是新场景中的标注样本收集起来十分困难。 | 1基于 Transformer 的域自适应诊断模型 2 故障算法设计与验证 3 实验与结果分析 | 本文统计的是在源域数据上得到充分训练后的 VOLO 模型迁移到目标域,因此模型能够快速地收敛。 图 8 比较了各个网络在训练过程中,在测试集上的准确 率曲线图。 可以看到基于 VOLO 的域自适应故障诊断方 法在整个训练和测试过程中都保持了很高的水准,明显 优于其他方法 |