Новая архитектура RGNet улучшает диагностику неисправностей при дисбалансе классов
Исследователи разработали новую нейросетевую архитектуру RGNet, основанную на концепции ренормализационной группы (Renormalization Group, RG), которая применяется в физике для анализа систем на разных масштабах. Модель адаптирует этот принцип для машинного обучения, решая проблемы классового дисбаланса и многомерного шума, часто встречающиеся в реальных промышленных задачах.
RGNet последовательно сжимает входное пространство признаков, выполняя иерархическое coarse-graining — огрубление данных с сохранением ключевой информации. На каждом этапе создаются представления разной детализации, которые затем объединяются перед финальной классификацией. Это позволяет модели учитывать как локальные детали, так и глобальные паттерны в данных.
Авторы ввели понятие RG-потоков — интерпретируемых низкоразмерных представлений, визуализация которых с помощью t-SNE показала дискретную криволинейную структуру. Это подтверждает, что процесс coarse-graining эффективно выделяет значимые характеристики, скрытые в исходных данных.
Эксперименты проводились на наборе данных AI4I, который имитирует промышленную диагностику с сильно несбалансированными классами (значительно больше исправных образцов, чем дефектных). RGNet продемонстрировала результаты, сопоставимые или превосходящие существующие методы, при этом сохраняя интерпретируемость.
По словам разработчиков, RGNet является универсальным и конкурентоспособным решением для задач прогнозирования неисправностей, где дисбаланс классов затрудняет обучение стандартных моделей. Архитектура может быть полезна в производственном мониторинге, медицинской диагностике и других областях с редкими событиями.
Детали работы описаны в статье на arXiv. Дальнейшие исследования могут быть направлены на адаптацию RGNet для потоковых данных и интеграцию с другими методами борьбы с дисбалансом.
