構造健康モニタリングのためのアクティブ転移学習

構造健康モニタリング（SHM）システムのトレーニングには、ラベル付きデータを含む高価または実用的でないデータが必要です。人口ベースのSHM（PBSHM）は、複数の構造からのデータを利用してこの制限を克服しますが、異なる構造のデータは異なる分布を持つため、通常の機械学習手法では大きな一般化誤差が生じる可能性があります。この課題に対処するために、ドメイン適応（DA）を通じた転移学習が利用されます。従来の手法は主に無監督のDAに焦点を当てており、オンラインでラベルを取得しながら更新する方法は考慮されていません。本論文では、少量のラベル付きデータを用いて無監督DAマッピングを改善するベイジアンフレームワークを提案し、アクティブサンプリング戦略と統合することで、最も有益な観察を選択する方法を示しています。本手法の有効性は、実験用橋梁の人口において評価され、データ効率が向上することが示されました。これにより、構造の運用コストを削減できる可能性があります。