PEFT-MuTS: Previsione RUL Few-Shot tramite Modelli Pre-Addestrati Cross-Domain
Un nuovo framework, PEFT-MuTS, mira a migliorare la previsione della vita utile residua (RUL) con dati limitati, sfruttando modelli di rappresentazione di serie temporali pre-addestrati su domini incrociati. L'approccio sfida la convinzione convenzionale che il trasferimento di conoscenze nella previsione RUL sia possibile solo tra dispositivi simili, dimostrando che il pre-addestramento su dataset di serie temporali cross-domain su larga scala può portare benefici sostanziali. Il framework include una rete di ottimizzazione delle caratteristiche indipendente e un meccanismo di fusione multivariata a basso rango basato su meta-variabili. L'articolo è disponibile su arXiv (2601.22631) ed è stato annunciato come tipo replace-cross, indicando una revisione. Questa ricerca affronta il vincolo di lunga data di richiedere grandi quantità di dati di degrado per la previsione RUL basata sui dati, offrendo una soluzione efficiente in termini di parametri per scenari few-shot.
Fatti principali
- PEFT-MuTS è un framework di fine-tuning efficiente in termini di parametri per la previsione RUL few-shot.
- Si basa su modelli di rappresentazione di serie temporali pre-addestrati su domini incrociati.
- Il framework dimostra che il trasferimento di conoscenze può avvenire tra dispositivi diversi, non solo simili.
- Utilizza una rete di ottimizzazione delle caratteristiche indipendente e un meccanismo di fusione multivariata a basso rango basato su meta-variabili.
- L'articolo è disponibile su arXiv con ID 2601.22631.
- Il tipo di annuncio è replace-cross, indicando una versione rivista.
- L'approccio mira a superare la necessità di grandi quantità di dati storici di degrado.
- La ricerca è rilevante per la manutenzione predittiva e le applicazioni industriali.
Entità
Istituzioni
- arXiv