Submit Search
Upload
SLRA
โข
Download as PPTX, PDF
โข
0 likes
โข
122 views
S
ssuserb4f344
Follow
SLRA
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 16
Download now
Recommended
1์กฐ_SLRA_์ต์ข ๋ฐํ.pptx
1์กฐ_SLRA_์ต์ข ๋ฐํ.pptx
ssuserb4f344
ย
"Dataset and metrics for predicting local visible differences" Paper Review
"Dataset and metrics for predicting local visible differences" Paper Review
LEE HOSEONG
ย
5์ผ์ฐจ.map reduce ํ์ฉ
5์ผ์ฐจ.map reduce ํ์ฉ
์ฃผ์ ์ก
ย
Time series classification
Time series classification
Sung Kim
ย
S.M.Lee, Invited Talk on "Machine Learning-based Anomaly Detection"
S.M.Lee, Invited Talk on "Machine Learning-based Anomaly Detection"
Network Science Lab, The Catholic University of Korea
ย
Imagination-Augmented Agents for Deep Reinforcement Learning
Imagination-Augmented Agents for Deep Reinforcement Learning
์ฑ์ฌ ์ต
ย
[์ฝ์ธ๋, kosena] ๊ธ์ต๊ถ์ ๋จธ์ ๋ฌ๋ ํ์ฉ์ฌ๋ก
[์ฝ์ธ๋, kosena] ๊ธ์ต๊ถ์ ๋จธ์ ๋ฌ๋ ํ์ฉ์ฌ๋ก
kosena
ย
[OpenInfra Days Korea 2018] (Track 4) - Grafana๋ฅผ ์ด์ฉํ OpenStack ํด๋ผ์ฐ๋ ์ฑ๋ฅ ๋ชจ๋ํฐ๋ง
[OpenInfra Days Korea 2018] (Track 4) - Grafana๋ฅผ ์ด์ฉํ OpenStack ํด๋ผ์ฐ๋ ์ฑ๋ฅ ๋ชจ๋ํฐ๋ง
OpenStack Korea Community
ย
Recommended
1์กฐ_SLRA_์ต์ข ๋ฐํ.pptx
1์กฐ_SLRA_์ต์ข ๋ฐํ.pptx
ssuserb4f344
ย
"Dataset and metrics for predicting local visible differences" Paper Review
"Dataset and metrics for predicting local visible differences" Paper Review
LEE HOSEONG
ย
5์ผ์ฐจ.map reduce ํ์ฉ
5์ผ์ฐจ.map reduce ํ์ฉ
์ฃผ์ ์ก
ย
Time series classification
Time series classification
Sung Kim
ย
S.M.Lee, Invited Talk on "Machine Learning-based Anomaly Detection"
S.M.Lee, Invited Talk on "Machine Learning-based Anomaly Detection"
Network Science Lab, The Catholic University of Korea
ย
Imagination-Augmented Agents for Deep Reinforcement Learning
Imagination-Augmented Agents for Deep Reinforcement Learning
์ฑ์ฌ ์ต
ย
[์ฝ์ธ๋, kosena] ๊ธ์ต๊ถ์ ๋จธ์ ๋ฌ๋ ํ์ฉ์ฌ๋ก
[์ฝ์ธ๋, kosena] ๊ธ์ต๊ถ์ ๋จธ์ ๋ฌ๋ ํ์ฉ์ฌ๋ก
kosena
ย
[OpenInfra Days Korea 2018] (Track 4) - Grafana๋ฅผ ์ด์ฉํ OpenStack ํด๋ผ์ฐ๋ ์ฑ๋ฅ ๋ชจ๋ํฐ๋ง
[OpenInfra Days Korea 2018] (Track 4) - Grafana๋ฅผ ์ด์ฉํ OpenStack ํด๋ผ์ฐ๋ ์ฑ๋ฅ ๋ชจ๋ํฐ๋ง
OpenStack Korea Community
ย
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
Lee Seungeun
ย
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
youngmo
ย
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
Ji-Woong Choi
ย
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
Kiho Suh
ย
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
taeseon ryu
ย
PR-203: Class-Balanced Loss Based on Effective Number of Samples
PR-203: Class-Balanced Loss Based on Effective Number of Samples
Sunghoon Joo
ย
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
pko89403
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
TIMEGATE
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
Seung-Woo Kang
ย
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
PgDay.Seoul
ย
Chapter 11 Practical Methodology
Chapter 11 Practical Methodology
KyeongUkJang
ย
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
NAVER D2
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
Seong-Bok Lee
ย
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
DACON AI ๋ฐ์ด์ฝ
ย
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
ABRC_DATA
ย
Apache Htrace overview (20160520)
Apache Htrace overview (20160520)
Steve Min
ย
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
DACON AI ๋ฐ์ด์ฝ
ย
SQL performance and UDF
SQL performance and UDF
JAEGEUN YU
ย
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
Kim Junghoon
ย
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
Cloud-Barista Community
ย
More Related Content
Similar to SLRA
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
Lee Seungeun
ย
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
youngmo
ย
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
Ji-Woong Choi
ย
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
Kiho Suh
ย
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
taeseon ryu
ย
PR-203: Class-Balanced Loss Based on Effective Number of Samples
PR-203: Class-Balanced Loss Based on Effective Number of Samples
Sunghoon Joo
ย
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
pko89403
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
TIMEGATE
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
Seung-Woo Kang
ย
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
PgDay.Seoul
ย
Chapter 11 Practical Methodology
Chapter 11 Practical Methodology
KyeongUkJang
ย
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
NAVER D2
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
Seong-Bok Lee
ย
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
DACON AI ๋ฐ์ด์ฝ
ย
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
ABRC_DATA
ย
Apache Htrace overview (20160520)
Apache Htrace overview (20160520)
Steve Min
ย
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
DACON AI ๋ฐ์ด์ฝ
ย
SQL performance and UDF
SQL performance and UDF
JAEGEUN YU
ย
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
Kim Junghoon
ย
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
Cloud-Barista Community
ย
Similar to SLRA
(20)
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
๋ฐ์ดํฐ ๋ถ์ ํ๋ก์ธ์ค
ย
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
์ฐจ์ธ๋์ปดํจํ ํํ๋ฐํ ์ต์ข ์๋ฃ(๊ถ์๋ชจ)
ย
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
[์คํ์์ค์ปจ์คํ ]Java Performance Tuning
ย
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
[ํ๊ตญ์ด] Neural Architecture Search with Reinforcement Learning
ย
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
deep encoder, shallow decoder reevaluating non-autoregressive machine transl...
ย
PR-203: Class-Balanced Loss Based on Effective Number of Samples
PR-203: Class-Balanced Loss Based on Effective Number of Samples
ย
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
DeepAR:Probabilistic Forecasting with Autogressive Recurrent Networks
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
ย
Azure ml studio_fraud_detection
Azure ml studio_fraud_detection
ย
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
[Pgday.Seoul 2018] Greenplum์ ๋ ธ๋ ๋ถ์ฐ ์ค๊ณ
ย
Chapter 11 Practical Methodology
Chapter 11 Practical Methodology
ย
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
แแ ตแซแแ ฉแผแแ ตแแ ณแผแแ ฎแแ ฅแซแแ ตแแ ณแแ ฆแท airsแแ ขแแ กแฏแแ ต_แแ ฉแแ ฆแฏแ แ ตแผแแ ชแแ ตแแ ณแแ ฆแท
ย
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
HR Analytics - ํด์ง๊ฐ๋ฅ์ฑ์์ธก๋ชจ๋ธ
ย
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
์์ฑ๊ด์ธก ๋ฐ์ดํฐ ํ์ฉ ๊ฐ์๋ ์ฐ์ถ AI ๊ฒฝ์ง๋ํ 1์ ์์์
ย
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
๋น ๋ฐ์ดํฐ ์์ ์ปจํผ๋ฐ์ค-์ง๋ฅํ ๋ณดํ ๋ถ๋น์ฒญ๊ตฌํ์ง์ ์์ธก
ย
Apache Htrace overview (20160520)
Apache Htrace overview (20160520)
ย
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
์ฒ์ฒด ์ ํ ๋ถ๋ฅ ๋ํ 1์ ์์์ ์ฝ๋ ์ค๋ช
ย
SQL performance and UDF
SQL performance and UDF
ย
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
๋คํธ์ํฌ ๊ฒฝ๋ํ ์ด๋ชจ์ ๋ชจ @ 2020 DLD
ย
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
Cloud-Barista ์ 1์ฐจ ์คํ์ธ๋ฏธ๋ : CB-Dragonfly-๋ฉํฐ ํด๋ผ์ฐ๋ ํตํฉ ๋ชจ๋ํฐ๋ง ํ๋ ์์ํฌ(1st Open Seminar...
ย
SLRA
1.
Domain Adaptation between
Heterogeneous Sensor Signals for Machinery Fault Classification Team SLRA Incheon National University ์ ์ฉ ํ, ์ ์น ํธ, ํ ์ ํ 2022.06.09
2.
Team SLRA Introduction (1) ๊ณ์ธก(Sensing) PHM
(Prognostics and Health Management) (2) ์ค๋น ๊ฑด๊ฐ์งํ ์ถ์ถ (Health indicator extraction) (3) ์ง๋จ(Diagnostics) 4) ์์ธก(Prognostics) โ PHM์ 5๊ฐ์ง ์ค์ Task โข ์ค๋น ๊ฑด์ ์ฑ์ ํํํ ์ ์๋ ๋ฌผ๋ฆฌ๋์ ๊ณ์ธกํ๋ ๋จ๊ณ โข ์ค๋น๋ก๋ถํฐ ์ป์ด์ง๋ ๊ณ์ธก ๋ฐ์ดํฐ์์ ์ ์๋ฏธํ ์ ๋ณด๋ฅผ ๋ฝ์ ๋ด๊ณ ์ด๋ฅผ ํํ โข ๊ณ์ธก๋ ๋ฐ์ดํฐ๋ฅผ ์ ๋ฌธ๊ฐ ์ง์๊ณผ ์ธ๊ณต ์ง๋ฅ์ ๋ถ์์ ํตํด ์ค๋น ๊ฑด์ ์ฑ ์ํ๋ฅผ ์ง๋จ โข ์ค๋น ๊ฑด์ ์ฑ ๋๋ ์์ฌ ์๋ช ์ ์์ธกํ๋ ๊ธฐ์ 5) ๊ด๋ฆฌ(Management) โข ์ค๋น ๊ฑด์ ์ฑ ๊ด๋ จ ์ง๋จ ๋ฐ ์์ธก ์ ๋ณด๋ฅผ ํ์ฉํ์ฌ ์ต์ ์ ์ ๋น ์์ , ์ ๋น๋์, ์ ๋น ๊ธฐ๊ฐ์ ๊ฒฐ์ ํ๋ ๊ธฐ์ ๏ถ Fault Diagnostics(๊ณ ์ฅ ์ง๋จ) โข ๊ณ ์ฅ ๋ถ๋ฅ๋ ์ค๋น์์คํ ์ด ์ด์์ผ๋ก ํ์ ๋๋ฉด ์ด๋ค ์ด์์ธ์ง๋ฅผ ๊ตฌ๋ถํ๋ ๊ณผ์ ์ โข ์์คํ ์ ์ํ๋ฅผ ์กฐ๊ธฐ์ ํ์งํ๊ณ ๋ถ๋ฅํจ์ผ๋ก์จ ์ฌ์ ์กฐ์น๋ฅผ ํตํด ์์คํ ์ด์์ ํจ์จ์ฑ์ ์ต๋ํ ํ ์ ์์ Fault Detection Fault Diagnosis Fault Isolation Fault Classification ๏ ๊ณ ์ฅ ์ง๋จ ์ด๋ ๋ถํ ํน์ ์ค๋น ์์คํ ์ ์ํ ์ ๋ณด๋ฅผ ํ ๋๋ก ์์คํ ์ ๊ฑด์ ์ฑ ์ํ๋ฅผ ์ง๋จํ ๋ ๋ฐฉ๋ฒ โข ํ์ฌ ์ค๋น ์์คํ ์ ๊ฑด์ ์ฑ ์ํ๋ฅผ ๊ฐ์ง ๋ฐ ๊ฒ์ถ โข ํ์ฌ ์ค๋น ์์คํ ์ ๊ฑด์ ์ฑ ์ํ๋ฅผ ๋ถ๋ฅ โข ํ์ฌ ์ค๋น ์์คํ ์์ ๊ฒฐํจ์ด ๋ฐ์ํ ๊ตฌ์ฑ์์๋ฅผ ๊ตฌ๋ถ ๋ฐ ๋ถ๋ฆฌ ๏ถ Fault Classification(๊ณ ์ฅ ๋ถ๋ฅ) 2
3.
Team SLRA Practical Issues
on Fault Classification โข ์ค๋น์ ์ด์ ์ง๋จ ์ ํ๋๋ฅผ ํฅ์ํ๊ธฐ ์ํด์ ๋ค์์ ์ผ์๋ฅผ ์ค์นํ์ฌ ์ ํธ ๋ฐ์ดํฐ๋ฅผ ์์งํด์ผ ํจ โข ํ์ง๋ง, ์๋กญ๊ฒ ์ค์น๋ ์ผ์๋ฅผ ์ด๊ธฐ์ ํ์ฉํ๊ธฐ ์ํด์๋ ๋ค์์ ์ด์์ฌํญ์ ํด๊ฒฐํด์ผ ํจ โ ์ ์ค ์ผ์๋ ๊ฑฐ์ ๊ฐ๋์ด ๋์ง ์์์ผ๋ฏ๋ก, ์ด์ ์ง๋จ ๋ชจ๋ธ์ ๊ตฌ์ถํ๊ธฐ ์ํ ์ถฉ๋ถํ ๋ ์ด๋ธ ์ ๋ณด๊ฐ ํ๋ณด๋์ด ์์ง ์์ ๏ง ์ ์ค ์ผ์๋ฅผ ํตํด ์์ง๋ ๋ฐ์ดํฐ๋ ๋ ์ด๋ธ์ด ์๋ ๋ฐ์ดํฐ๋ก ๋ ์ด๋ธ์ด ์ถฉ๋ถํ ๋์ ๋ ๋๊น์ง ๋ถ๋ฅ๋ชจ๋ธ์ ๊ตฌ์ถํ ์ ์์ โก ์ ์ค ์ผ์์์ ์์ง๋๋ ์ ํธ ๋ฐ์ดํฐ๋ ๊ธฐ์กด ์ผ์์์ ์์งํ ์ ํธ ๋ฐ์ดํฐ์ ๋ค์ ์์ดํ ํน์ฑ์ ๊ฐ์ง๊ณ ์์ ์ด๊ธฐ์ข ์ ์ ์ค ์ผ์์์ ์์ง๋๋ ์ ํธ์ ๋ํด์๋ ์ถฉ๋ถํ ๋์ ์ด์ ์ง๋จ ์ฑ๋ฅ์ ๋ฌ์ฑํ๊ธฐ ์ํ ๋ฐฉ๋ฒ๋ก ์ด ํ์ ํจ Existing Sensor New Sensor Unlabeled Data 3
4.
Team SLRA Brief review
on domain adaptation โข ์๋ก์ด ์ด๊ธฐ์ข ์ ์ผ์๋ฅผ ํตํด ์์ง๋ ๋ฐ์ดํฐ๋ ๋ ์ด๋ธ์ด ์๋ ๋ฐ์ดํฐ๋ก ๋ถ๋ฅ๋ชจ๋ธ์ ๊ตฌ์ถํ ์ ์์ ๏ง ์ถฉ๋ถํ ๋ฐ์ดํฐ๋ฅผ ํ๋ณดํ์ฌ, ๋ถ๋ฅ๋ชจ๋ธ์ ๊ตฌ์ถํ๊ธฐ ์ด์ ์๋ ์๋ก์ด ์ผ์์ ๋ํ ๊ณ ์ฅ ๋ถ๋ฅ ๋ถ๊ฐํจ โข ์ถฉ๋ถํ ๋ฐ์ดํฐ ํ๋ณด ๋ฐ ๋ ์ด๋ธ๋ง ๊ณผ์ ์๋ ๋ง์ ๋น์ฉ์ด ํ์ํจ ๏ง ๋ฐ์ดํฐ ํ๋ณด ๋ฐ ๋ ์ด๋ธ๋ง ๊ณผ์ ์์ด ๊ธฐ์กด ์ผ์์ ์ ๋ณด๋ฅผ ์ ์ ์์ผ ์๋ก์ด ์ผ์์ ๋ํด ์ค์ํ ์ฑ๋ฅ์ ๋ณด์ด๊ณ ์ ํจ Train data Test data Source domain Target domain Domain Adaptation Traditional ML Latent-Space Transformation Find a common space where source and target are close โข ์์ธกํ๊ณ ์ ํ๋ Test data์ Train data์ ๋ถํฌ๊ฐ ๊ฐ์ผ๋ฏ๋ก, Train data๋ก ํ์ต๋ ๋ชจ๋ธ์ ์์ธก์ ์ฌ์ฉํจ โข ์์ธกํ๊ณ ์ ํ๋ Target domain๊ณผ ํ์ต์ ์ฌ์ฉํ๋ Source domain์ data์ ๋ถํฌ๊ฐ ๋ค๋ฅด๋ฏ๋ก, ์ ์์ ํตํด ์์ธก์ ์ฌ์ฉํจ 4
5.
Team SLRA โข Classical
Test Error ๐๐ก๐๐ ๐ก โค ๐๐ก๐๐๐๐ + ๐๐๐๐๐๐๐ฅ๐๐ก๐ฆ ๐ โข Adaptation Target Error ๏ ์ต๋ํ ์ ์ parameter๋ก training error๊ฐ ์ต์์ธ Model ์ฐพ๊ธฐ ๐ ๐ท๐ ฮท โค ๐ ๐ ฮท + ๐๐ป ๐, ๐ + 4 ๐ ๐ log 2๐๐ ๐ + log 4 ๐ฟ + 4 1 ๐ ๐ log 2๐ ๐ + log 4 ๐ฟ + ๐ฝ ๏ถ Ben-David et al., 2006 Complexity(VC dimension) Regularization term Minimize ๐ ๐ ฮท , ๐๐ป ๐, ๐ Minimize ๐ ๐ ฮท Maximize ๐ ๐๐ป = 2 1 โ 2๐ 5 Brief review on domain adaptation Objective
6.
Team SLRA Domain adaptation
models ๏ง DANN(Domain Adversarial Neural Networks) ๏ง ADDA(Adversarial Discriminative Domain Adaptation) โข Domain adaptation์์ ๊ฐ์ฅ ๋๋ฆฌ ํ์ฉ๋๋ ๋ค์์ ๋๊ฐ์ง ๋ชจ๋ธ์ ํ์ฉํจ ๏ถ DANN ๋ชจ๋ธ์ ํน์ง โข Source domain๊ณผ Target domain์ ๋ํ์ฌ ๋์ผํ Feature extractor์ ์ฌ์ฉํจ โข Feature extractor ๋ชจ๋ธ์ Source data์ Target data์ ์๊ด ์์ด robustํ Feature์ ์ถ์ถํ๋๋ก ํ์ต๋จ ๏ถ ADDA ๋ชจ๋ธ์ ํน์ง โข Source Domain๊ณผ Target Domain์ ๋ํ์ฌ ์๋ก ๋ค๋ฅธ Encoder์ ์ฌ์ฉํจ โข ๊ฐ๊ฐ์ Encoder์ Source data์ Target data์ ํน์ง์ ์ ํํํ๋ ๋ฐฉ์์ผ๋ก Feature์ ์ถ์ถํ๋๋ก ํ์ต๋จ 6
7.
Team SLRA Experimental design Existing Sensor New Sensor ๏ถ
Wavelet Scalogram ๏ถ Domain adaptation model Target Domain Data์ ๊ณ ์ฅ ๋ถ๋ฅ ์งํ ๏ถ Fault Classification Vibration (Source) Data Acoustic (Target) Data ๏ถData ์ฌ์ฉ โข Existing Sensor ์ data ๋ Vibration Data๋ก ํ๊ณ , Source Domain Data๋ก ์ฌ์ฉ โข New Sensor์ data๋ Acoustic Data๋ก ํ๊ณ , Target Domain Data๋ก ์ฌ์ฉ โข Vibration Domain์ Data๋ฅผ Acoustic Domain์ Data๋ก Domain adaptatio์ ์งํํจ 7 <Bearing Simulator> ์คํ ์ฅ๋น โช๏ธ ์ ์ โช๏ธ ๋ฒ ์ด๋ง ๋ด๋ฅ ์ด์ โช๏ธ ๋ฒ ์ด๋ง ์ธ๋ฅ ์ด์ โช๏ธ ๋ณผ ๋ฒ ์ด๋ง ์ด์ 4 Class . 0
8.
Team SLRA Experimental design Existing Sensor New Sensor ๏ถ
Wavelet Scalogram ๏ถ Domain adaptation model Target Domain Data์ ๊ณ ์ฅ ๋ถ๋ฅ ์งํ ๏ถ Fault Classification ์ฃผํ์ ๋ถํด๋ฅ ์๊ฐ ๋ถํด๋ฅ WT ๏ถ์ ํธ์ฒ๋ฆฌ(Wavelet Scalogram) โข ์๊ฐ๊ณผ ์ฃผํ์์ ๊ด์ ์ ๋ชจ๋ ๊ณ ๋ ค ํ ์ ์๋๋ก ์ ํธ๋ฅผ ์ฒ๋ฆฌํ๋ ๋ฐฉ๋ฒ ์ โข Scalogram ์ด๋ฏธ์ง๋ฅผ ํตํด ์๊ฐ ๋ฐ ์ฃผํ์์ ๊ฐ๋ ์ ๋ณด๋ฅผ ๋์์ ๋ฐ์ ํ๋ ๊ฒ์ด ๊ฐ๋ฅํจ โข STFT์ ์๊ฐ๊ณผ ์ฃผํ์์ trade-off ๋ฌธ์ ๋ฅผ ์ํ 8 F T ์๊ฐ ๊ด์ ์ฃผํ์ ๊ด์
9.
Team SLRA Experimental results โข
Source data ๋ฅผ ํตํด ํ์ตํ ๋ชจ๋ธ์ Target data ์ ์ ์ฉ์์ผฐ์ ๋๋ ํ๊ท 28.5%์ ์ ํ๋๋ฅผ ๊ฐ์ผ๋ฏ๋ก, ๋๋ค์ผ๋ก ์ ํํ๋ ์ฑ๋ฅ๊ณผ ํฌ๊ฒ ๋ค๋ฅด์ง ์์ โข ADDA๋ชจ๋ธ์ ๊ฒฝ์ฐ ํ์ต์ ์ฌ์ฉํ ๋ฐ์ดํฐ์ ๋ํด์๋ 75.50%์ ์ ํ๋๋ฅผ ๋ณด์์ผ๋ฉฐ, ์ด์ธ์ Test data์ ๋ํด์ ํ๊ท 50.67%์ ์ฑ๋ฅ์ ๋ณด์ โข DANN๋ชจ๋ธ์ ๊ฒฝ์ฐ ํ์ต์ ์ฌ์ฉํ ๋ฐ์ดํฐ์ ๋ํด์๋ 73.75%์ ์ ํ๋๋ฅผ ๋ณด์์ผ๋ฉฐ, ์ด์ธ์ Test data์ ๋ํด์ ๋ ํ๊ท 69.33%์ ์ค์ํ ์ฑ๋ฅ์ ๋ณด์ ๏ถ Vibration Scalogram ๏ถ Acoustic Scalogram โข ADDA๋ชจ๋ธ์ ๊ฒฝ์ฐ ๊ฐ๊ฐ์ Domain์ ๋ํ Encoder์ ๊ฐ๋ณ์ ์ผ๋ก ์ฌ์ฉํ๊ธฐ ๋๋ฌธ์ ๋์ฑ ์ฑ๋ฅ์ด ์ข์ ๊ฒ์ผ๋ก ์์ํ์์ง๋ง, DANN์ ๋ํ ์ฑ๋ฅ์ด ๋์ฑ ์ข์ โข ์ด์ ๋ํ ์ถ๊ฐ์ ์ธ ๋ถ์์ด ํ์ํจ โข ๋ค๋ง, ์ ํ ๋ ์ด๋ธ์ด ์๋ ์ํฉ์์๋ ์ค์ํ ๊ฒฐ๊ณผ๋ฅผ ๋ณด ์์ ์๋ฏธ๊ฐ ์์ Source Domain Target Domain Source Vibration Target Acoustic 0.26 0.32 0.28 0.28 0.755 0.51 0.51 0.5 0.7375 0.74 0.64 0.7 Source only ADDA DANN train test1 test2 test3 ์ ์ ๋ฒ ์ด๋ง ๋ด๋ฅ ์ด์ ๋ฒ ์ด๋ง ์ธ๋ฅ ์ด์ ๋ณผ ๋ฒ ์ด๋ง ์ด์ ์ ์ ๋ฒ ์ด๋ง ๋ด๋ฅ ์ด์ ๋ฒ ์ด๋ง ์ธ๋ฅ ์ด์ ๋ณผ ๋ฒ ์ด๋ง ์ด์ 9
10.
Team SLRA Conclusions Introduction Highlights Results โข ์ค๋น์
์ด์ ์ง๋จ ์ ํ๋์ ํฅ์์ ์ํด ์ด์ข ์ ์ผ์๋ฅผ ์ถ๊ฐ์ ์ผ๋ก ์ฌ์ฉํ ๋, ํด๋น ์ผ์์ ๋ํด์๋ ์ด์์ง๋จ ๋ชจ๋ธ์ ๊ตฌ์ฑํ๊ธฐ์ ์ถฉ๋ถํ ๋ ์ด๋ธ ์ ๋ณด๊ฐ ์์ โข ๋ํ ์ ์ค๋ ์ด์ข ์ ์ผ์์์ ์์ง๋๋ ์ ํธ ๋ฐ์ดํฐ๋ ๊ธฐ์กด ์ผ์์์ ์์งํ ์ ํธ ๋ฐ์ดํฐ์๋ ๋ค์ ์์ดํ ํน์ฑ์ ๊ฐ์ง๊ณ ์์ โข ์ด์ ๋ฐ๋ผ ์ด๊ธฐ์ข ์ ์ ์ค ์ผ์์์ ์์ง๋๋ ์ ํธ์ ๋ํด์๋ ์ถฉ๋ถํ ๋์ ์ด์ ์ง๋จ ์ฑ๋ฅ์ ๋ณด์ด๋ ๋ฐฉ๋ฒ๋ก ์ด ํ์ํจ โข ์ ํธ์ฒ๋ฆฌ ๊ธฐ๋ฒ์ ํตํด Scalogram์ ๋ง๋ค์ด ์๊ฐ๊ณผ ์ฃผํ์ ์์ญ์ ์ ๋ณด๋ฅผ ๋ชจ๋ ๊ณ ๋ คํ๊ณ ์ ํจ โข Domain adaptation ๊ธฐ๋ฒ์ ์ ์ฉํ์ฌ ๋ ์ด๋ธ์ด ์๋ ์ ์ค ์ผ์์ ์ ํธ๋ฐ์ดํฐ์๋ ์ค์ํ ์ฑ๋ฅ์ ๋ณด์ด๊ณ ์ ํจ โข ๊ธฐ์กด์ผ์๋ฅผ ๊ฐ์ง๊ณ ํ์ตํ ๋ชจ๋ธ์ ํตํด ์ ์ค ์ผ์์ ๋ํ ๊ณ ์ฅ ๋ถ๋ฅ๋ฅผ ์งํํ๋ฉด, ๋๋ค์ผ๋ก ์ ํํ๋ ์ฑ๋ฅ์ ๋ณด์ โข ๋ฐ๋ฉด์ Domain adaptation ๊ธฐ๋ฒ์ ํ์ฉํ๋ฉด, ADDA์ ๊ฒฝ์ฐ ์ฝ 50% DANN์ ๊ฒฝ์ฐ ์ฝ 70%์ ์ค์ํ ์ฑ๋ฅ์ ๋ณด์ โข ๋ ์ด๋ธ์ด ์ ํ ์๋ ์ํฉ์์ ์ ์ค์ผ์์ ๋ํ ๋ถ๋ฅ ์ ํ๋๊ฐ ๋ค์๊ณผ ๊ฐ์ด ๋์จ ๊ฒ์ ์๋ฏธ ์๋ ๊ฒฐ๊ณผ๋ก ๋ณด์ 10
11.
Team SLRA Future works โข
์ ์ค ์ผ์๋ฅผ ํตํด ์์ง๋๋ ๋ฐ์ดํฐ๋ ๋ ์ด๋ธ์ด ์์ผ๋ฏ๋ก, ๋น์ง๋ ๋ฐฉ์์ Domain adaptation ๋ชจ๋ธ์ ์ฌ์ฉํ์ฌ ๋ถ๋ฅ ๋ชจ๋ธ์ ๊ตฌ์ถํจ โข ํ์ง๋ง, ์ค๋น์ ๊ฐ๋์ ํตํด ์ผ๋ถ์ ๋ ์ด๋ธ์ด ์๋ ๋ฐ์ดํฐ๋ฅผ ํ๋ณดํ๋ค๋ฉด, ์ค์ง๋ ํ์ต ๊ธฐ๋ฐ์ Domain adaptation ๋ชจ๋ธ ์ฌ์ฉ์ด ๊ฐ๋ฅ ๏ง ์ถ๊ฐ์ ์ผ๋ก ์ค์ง๋ ํ์ต ๊ธฐ๋ฐ์ Domain adaptation๋ชจ๋ธ์ ์ ์ฉํ ๊ฒฝ์ฐ ํ์ฌ์ ๋ชจ๋ธ๋ณด๋ค ์ฑ๋ฅ์ด ๋ฐ์ด๋ ๊ฒ์ผ๋ก ์์๋จ โข ํ์ฌ ์ด๊ธฐ์ข ์ ์ผ์์ ๋ํด, Domain adaptation ๋ชจ๋ธ์ ์ ์ฉํ๋ ์คํ์ ์งํํ๊ณ ์์ โข ์ด๊ธฐ์ข ์ผ์ ๋ฟ ์๋๋ผ ๋ค์ํ ๋ฌธ์ ์ํฉ์๋ ์ ์ฉํ์ฌ, ๋ฌธ์ ํด๊ฒฐ์ ํ ์ ์์ ๊ฒ์ด๋ผ๊ณ ํ๋จ ๏ง ์ฌ์ด์ฆ๊ฐ ๋ค๋ฅธ ๋ ๋ฒ ์ด๋ง์ ๋ํ ์คํ์ ํตํด ํด๋น ๋ฐ์ดํฐ๋ฅผ ์์งํ ๊ณํ์ ์์ ๏ง ๋ฒ ์ด๋ง ์๋ฎฌ๋ ์ดํฐ์ ์๋ํ๊ฒฝ์ด ๋ค๋ฅธ ๊ฒฝ์ฐ์ ๋ํ ์คํ์ ์งํํ๊ณ ๋ฐ์ดํฐ๋ฅผ ์์งํ ๊ณํ์ ์์ Modeling Scenario 11
12.
Thank You 12
13.
Team SLRA โข Source/Target
domain distance ๏ H-divergence ๋ฅผ Domain ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ก ์ฌ์ฉ (divergence โ ๋ ํ๋ฅ ๋ถํฌ์ฌ์ด์ ๊ฑฐ๋ฆฌ) ๐๐ป ๐ท๐ ๐ , ๐ท๐ ๐ = 2๐ ๐ข๐ ๐โ๐ป ๐๐ ๐ฅ~๐ท๐ ๐ ๐ ๐ฅ = 1 โ ๐๐ ๐ฅ~๐ท๐ ๐ [๐ ๐ฅ = 1] โข H : hypothesis class โข ฮท : classifier ๐ฟ(๐๐, ๐ ๐) = ๐ ๐ข๐ ๐ดโโ ๐๐(๐ด) โ ๐ ๐(๐ด) A ๐๐(๐ด) ๐ ๐(๐ด) ๐ ๐ ๐๐ โข Total Variation distance ๏ ๋ ํ๋ฅ ๋ถํฌ์ ์ธก์ ๊ฐ์ด ๋ฒ์ด์ง ์ ์๋ ๊ฐ์ฅ ํฐ ๊ฐ 1. H-divergence Appendix - DANN Background
14.
Team SLRA โข Source/Target
domain distance ๏ H-divergence ๋ฅผ Domain ์ฌ์ด์ ๊ฑฐ๋ฆฌ๋ก ์ฌ์ฉ (divergence โ ๋ ํ๋ฅ ๋ถํฌ์ฌ์ด์ ๊ฑฐ๋ฆฌ) โข H : hypothesis class โข ฮท : classifier 1. H-divergence ๐๐ป ๐ท๐ ๐ , ๐ท๐ ๐ = 2๐ ๐ข๐ ๐โ๐ป ๐๐ ๐ฅ~๐ท๐ ๐ ๐ ๐ฅ = 1 โ ๐๐ ๐ฅ~๐ท๐ ๐ [๐ ๐ฅ = 1] โข Source domain๊ณผ Target domain์ ๊ตฌ๋ถํ์ง ๋ชปํ๋ ์ํฉ์ด ๋ชฉํ ๏ผ ฮท x ์ด Domain์ ์๊ด ์์ด label์ 1์ด๋ผ๊ณ ํ ํ๋ฅ ์ด 1์ด๋ผ๋ฉด ๊ฑฐ๋ฆฌ๋ 0 Appendix - DANN Background
15.
Team SLRA ๐๐ป ๐,
๐ = 2 1 โ ๐๐๐ ๐โ๐ป 1 ๐ โ๐=1 ๐ ๐ผ ๐ ๐ฅ๐ = 1 + 1 ๐โฒ โ๐=๐+1 ๐ ๐ผ [๐ ๐ฅ๐ = 0] 2. empirical H-divergence ๐๐ป ๐ท๐ ๐ , ๐ท๐ ๐ = 2๐ ๐ข๐ ๐โ๐ป ๐๐ ๐ฅ~๐ท๐ ๐ ๐ ๐ฅ = 1 โ ๐๐ ๐ฅ~๐ท๐ ๐ [๐ ๐ฅ = 1] 1. H-divergence ๏ ํต๊ณ์ ์ธ ๊ฐ์ผ๋ก ๊ฐ์ง๊ณ ์๋ Sample์ ํตํด ๊ณ์ฐํ ๊ฐ ๐๐ป ๐ท๐ ๐ , ๐ท๐ ๐ = 2๐ ๐ข๐ ๐โ๐ป ๐๐ ๐ฅ~๐ท๐ ๐ ๐ ๐ฅ = 1 โ ๐๐ ๐ฅ~๐ท๐ ๐ ๐ ๐ฅ = 0 โ 1 Pr x~DT X [ฮท x = 1] = Pr x~DT X ฮท x = 0 โ 1 Appendix - DANN Background
16.
Team SLRA 3. Proxy
A-distance ๐ ๐จ = 2 ๐ โ ๐๐บ ๐๐ป ๐, ๐ = 2 1 โ ๐๐๐ ๐โ๐ป 1 ๐ โ๐=1 ๐ ๐ผ ๐ ๐ฅ๐ = 1 + 1 ๐โฒ โ๐=๐+1 ๐ ๐ผ [๐ ๐ฅ๐ = 0] 2. empirical H-divergence Classification error (๐) Appendix - DANN Background
Editor's Notes
์๋ ํ์ญ๋๊น ์ด๋ฒ ์ธ๋ฏธ๋๋ฅผ ์งํํ๊ฒ ๋ ์ ์นํธ ์ ๋๋ค. ์ด๋ฒ ์ฃผ์ ๋ Support vector Machine์ผ๋ก ์ธ๋ฏธ๋ ์์ํ์ต๋๋ค
Download now