Н.С. Давыдов, Е.И. Ершов, А.В. Никоноров
Доменная
адаптация нейросетевых моделей на основе крупношагового метаобучения в
задаче обнаружения аномалий
В настоящее время проблема адаптации нейросетевых моделей обучаемых и используемых на данных разных доменов особенно остро стоит в сферах, где объём доступных для обучения реальных данных мал. Данные для обучения обычно синтезируются с переносом параметров из реальных данных, чтобы согласовать распределения двух разных доменов, однако реальные данные могут также сильно различаться между собой, в связи с чем возникает необходимость адаптировать нейросетевую модель к каждому новому набору данных. В настоящей статье предложен метод доменной адаптации нейросетевых моделей для обнаружения ступенчатых аномалий в сигнале на основе нескольких шагов крупношагового метаобучения с использованием смешивания параметров моделей первого и второго шагов.
КЛЮЧЕВЫЕ СЛОВА: доменная адаптация, обнаружение аномалий, крупношаговое метаобучение, обучение по нулевой выборке