Resumen: Los métodos de diagnóstico de fallas de transferencia existentes generalmente asumen datos limpios o suficiente similitud de dominio, lo que limita su efectividad en entornos industriales donde coexisten interferencias de ruido severas y cambios de dominio. Para abordar este desafío, proponemos una red adversarial focal global de separación de información (ISGFAN), un marco sólido para el diagnóstico de fallas entre dominios en condiciones de ruido. ISGFAN se basa en una arquitectura de separación de información que integra el aprendizaje adversario con una pérdida ortogonal mejorada para desacoplar la representación de fallas invariantes del dominio, aislando así la interferencia de ruido y las características específicas del dominio. Para fortalecer aún más la solidez de las transferencias, ISGFAN emplea un esquema conflictivo de dominio focal global que restringe las distribuciones condicional y marginal del modelo. Específicamente, el componente conflictivo del dominio focal mitiga los obstáculos de transferencia específicos de la categoría causados por el ruido en escenarios no supervisados, mientras que el clasificador de dominio global garantiza la alineación de la distribución general. Los experimentos realizados en tres conjuntos de datos de referencia públicos demuestran que el método propuesto supera a otros enfoques existentes destacados, lo que confirma la superioridad del marco ISGFAN. Los datos y el código están disponibles en esta URL https
Publicado originalmente en export.arxiv.org el 20 de octubre de 2025.
Ver fuente original
