用于类别不平衡故障诊断的重整化群神经网络实现

arXiv cs.LG 论文
neural-network renormalization-group fault-diagnosis class-imbalance hierarchical-coarse-graining interpretable rgnet

摘要

提出RGNet，一种基于重整化群理论的神经网络架构，用于特征空间的分层粗粒化，以解决故障诊断中的类别不平衡和噪声问题。在AI4I数据集上的实验结果表明，RGNet提供了可解释且具有竞争力的性能。

arXiv:2606.18326v1 公告类型: new 摘要: 机器学习模型在实际任务中的应用面临类别不平衡和多维噪声等挑战。本文提出RGNet，这是一种基于重整化群(RG)概念的神经网络架构，用于特征空间的分层粗粒化。该模型顺序压缩输入维度并在分类前连接所有尺度，使其能够捕获局部细节和全局模式。引入了RG流的概念——可解释的低维表示，通过t-SNE可视化显示离散的曲线结构，证实了粗粒化的有效性。在不平衡的AI4I数据集上给出了实验结果。所得结果表明，RGNet是类别不平衡应用中故障预测的一种通用、可解释且具有竞争力的解决方案。
查看原文
查看缓存全文

缓存时间: 2026/06/18 05:41 

# 面向类别不平衡故障诊断的重整化群神经网络实现
来源：https://arxiv.org/abs/2606.18326
查看PDF（https://arxiv.org/pdf/2606.18326）

> 摘要：机器学习模型在实际任务中的应用面临类别不平衡和多维噪声等挑战。本文提出RGNet，一种基于重整化群（RG）概念的神经网络架构，用于特征空间的层次化粗粒化。该模型逐步压缩输入维度，并在分类前将所有尺度拼接起来，从而能够同时捕捉局部细节与全局模式。本文引入了RG流的概念——一种可解释的低维表示，通过t-SNE可视化可揭示其离散曲线结构，证实了粗粒化的有效性。在不平衡的AI4I数据集上给出了实验结果。所得结果表明，RGNet是一种通用、可解释且具有竞争力的故障预测方案，适用于类别不平衡的应用场景。

## 提交历史

来自：Evgeny Nikulchev \[查看邮箱（https://arxiv.org/show-email/e3023460/2606.18326）\] **\[v1\]**2026年6月16日星期二 17:27:40 UTC（553 KB）

相似文章

回归修复：用于时间序列异常检测的极简去噪网络

Hugging Face Daily Papers

本文提出了JuRe（Just Repair，意为“仅需修复”），一个用于时间序列异常检测的极简去噪网络。该网络在TSB-AD和UCR基准数据集上的性能匹配或超越了复杂的神经网络基线模型，表明正确的流形投影训练目标比架构复杂度更为重要。

使用 Householder 矩阵探索过度平滑

arXiv cs.LG

本文介绍了 HouseGNN，一种使用 Householder 反射和 GroupSort 来解决过度平滑问题的图神经网络，证明了每一层都保持节点级别的欧几里得范数，并展示了在深度增加时改进的行为。