标签
FedCMAPSS 基于 NASA C-MAPSS 数据集，引入了一个用于剩余使用寿命估计的联邦学习基准，包含标准化任务以评估跨神经架构的联邦优化算法。
本文针对良性及对抗性客户端异质性下的航空发动机剩余使用寿命预测，对联邦学习进行了受控研究，评估了个性化和拜占庭鲁棒聚合方法。研究发现，共享表示个性化缩小了本地与集中式准确率之间的绝大部分差距；使用Krum的鲁棒聚合能有效缓解后门攻击；将两者结合可形成组合防御，在攻击成功率较低的同时，仅付出较小的准确率代价。
提出RoSIP-Batt，一种物理引导的多任务变换器，用于联合估计电池健康状态和剩余使用寿命，在NASA、MIT-Stanford和HUST数据集上实现了最先进的精度。
本文证明了在滑动窗口序列上使用简单的训练/测试分割会严重夸大或缩小预测性维护中多任务学习的性能指标，并提出了一种泄漏鲁棒的评估协议。
本文提出了一种量子退火增强的Q-learning框架，用于剩余使用寿命预测，利用D-Wave系统求解QUBO公式以进行动作选择。在NASA C-MAPSS和预测维护数据集上，它优于经典和量子基线。
本文介绍了一种轻量级方法，利用Chronos-2时间序列基础模型的冻结嵌入，结合一个简单的回归头，进行剩余使用寿命估计，在工业传感器数据上相比基线方法取得了更优的性能。
本文提出了一种用于涡轮机预测的多任务科学机器学习框架，该框架使用共享序列编码器和任务特定头，联合预测发动机健康指标和剩余使用寿命，并量化不确定性。