Deep conditional shift alignment in transfer learning for regression under complex data conditions

Miao Wang

doi:10.1016/j.eswa.2026.133288

Deep conditional shift alignment in transfer learning for regression under complex data conditions

2026-09-29

0

PRE

AI

DOI：10.1016/j.eswa.2026.133288

原文链接

原文求助

摘要

En 中文

深度学习在工程应用中日益普及。迁移学习是应对物理数据稀缺及数字与物理数据差异的实用解决方案。然而，回归预测中的条件漂移问题仍是一个挑战性且研究不足的领域。本研究提出了一种新的迁移学习方法，用于解决回归问题中的条件漂移对齐，并考虑了其在处理定性-定量混合变量和非嵌套数据案例中的适用性。基于条件分布核嵌入理论，设计了一种新的条件嵌入差异度量，以量化跨域条件分布差异。该度量随后与条件嵌入算子差异相结合，形成双重条件对齐机制。基于深度卷积神经网络，跨域条件分布被自适应对齐，并通过模型预训练和微调实现回归预测。该方法通过三个数值算例和两个应用案例进行验证，包括桁架桥可靠性分析和电池健康状态估计。与先前研究和消融变体对比表明，所提出的方法在复杂数据条件下具有更高的预测精度和模型鲁棒性。

Keyword:

Transfer learning

Conditional shift

Conditional kernel embedding

Regression

Deep conditional shift alignment in transfer learning for regression under complex data conditions

摘要

期刊

机构

引用论文