{"product_id":"ieej-bta2025-5-b-a1-2","title":"敵対的ドメイン適応による部分放電診断のガス種間転移","description":"\u003cp\u003e\u003cstrong\u003eカテゴリ：\u003c\/strong\u003e部門大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e論文No：\u003c\/strong\u003e5-B-a1-2\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eグループ名：\u003c\/strong\u003e【A】令和７年電気学会基礎・材料・共通部門大会\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e発行日：\u003c\/strong\u003e2025\/8\/27\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eタイトル(英語)：\u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名：\u003c\/strong\u003e大竹 泰智(三菱電機)，松山 幸太郎(三菱電機)，Hongbo Sun(Mitsubishi Electric Research Labs)，Arvind Raghunathan(Mitsubishi Electric Research Labs)\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e著者名(英語)： \u003c\/strong\u003e\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003eキーワード：\u003c\/strong\u003epartial discharge,diagnosis,transfer learning,domain adaptation\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003e要約(日本語)：\u003c\/strong\u003e電気機器の部分放電診断では、部分放電の発生有無にとどまらず、発生頻度や放電強度から放電源種の特定が可能であり、昨今は機械学習の活用により効率的かつ高精度化が実現できる。しかし、機械学習による診断モデルは汎化性能が課題であり、都度多量のデータセットの用意が必要である。これに対し、ベースデータを活用した転移学習により少量データでの高精度化を検討している。今回は異なるガス種間で転移学習を行い、その効果の評価に加え、データ類似度との相関を調査した。その結果、転移学習の効果は類似度との相関があること、また、同一ガス種ではガス圧が異なれど放電特性が類似しており転移が有効であることがわかった。\u003c\/p\u003e\u003cp\u003e\u003cstrong\u003ePDFファイルサイズ：\u003c\/strong\u003e286Kバイト\u003c\/p\u003e","brand":"IEEJ-PDF","offers":[{"title":"PDFダウンロード（一般価格440円\/会員価格220円） \/ A4 \/ 1","offer_id":49643127242991,"sku":"IEEJ-BTA2025-5-B-a1-2-PDF","price":440.0,"currency_code":"JPY","in_stock":true}],"thumbnail_url":"\/\/cdn.shopify.com\/s\/files\/1\/0718\/9512\/2159\/files\/IEEJ-PDF_bumontaikai_ce07b7c6-c7e3-4e74-8145-576efaa312b8.png?v=1780542497","url":"https:\/\/ieej.bookpark.ne.jp\/products\/ieej-bta2025-5-b-a1-2","provider":"電気学会 電子図書館","version":"1.0","type":"link"}