类内聚合类间分离
一种用于少样本场景下训练度量式故障分类器的元学习方法，通过类内聚合与类间判别损失学习具有判别性的特征表示。
Li, Kang · 叶昊 · 高小永 · Laibin, Zhang
IEEE Transactions on Industrial Informatics 2024
通过类内聚合损失，使同类样本特征聚集，形成紧凑表示，体现同类中心趋势，提高对类内变化的鲁棒性。
通过类间判别损失，迫使不同类别的特征保持较大间隔，使度量空间具有更清晰的判别边界，降低误分类风险。
采用情景训练机制优化损失，学习到通用且具有判别性的特征表示，能够更高效地识别数据稀缺的新故障场景。
在公开滚动轴承数据集和真实铁路道岔数据集上，MLIIO均优于多种先进方法，验证了其有效性和泛化能力。