arXiv 2502.024282025-02cs.LG

RIE-SenseNet：面向鲁棒模式识别的多源工业传感器信号黎曼流形嵌入

RIE-SenseNet: Riemannian Manifold Embedding of Multi-Source Industrial Sensor Signals for Robust Pattern Recognition

Shandong Jianzhu University（山东建筑大学）；Southern University of Science and Technology（南方科技大学）；Fuxi AI Lab（复羲人工智能实验室）；Zhejiang Lab（浙江实验室）

Xu Wang, Puyu Han, Jiaju Kang, Weichao Pan, Luqi Gong

阅读 PDF

arXiv 页面 ↗HTML 原文 ↗

AI总结：

RIE-SenseNet 提出将多源工业传感器信号嵌入黎曼流形，结合双曲几何序列建模与流形数据增强，在模式识别中取得超过90%的F1分数，显著优于CNN和Transformer基线。

摘要：

工业传感器网络会产生具有非线性结构和分布漂移的复杂信号。我们提出 RIE-SenseNet，一种新颖的几何感知 Transformer 模型，将传感器数据嵌入黎曼流形以应对这些挑战。通过利用双曲几何进行序列建模，并引入基于流形的增强技术，RIE-SenseNet 保留了传感器信号结构并生成逼真的合成样本。实验表明，RIE-SenseNet 实现了超过 90% 的 F1 分数，远超 CNN 和 Transformer 基线。这些结果说明了将非欧几里得特征表示与几何一致的数据增强相结合，对工业感知中鲁棒模式识别的益处。

英文摘要：

Industrial sensor networks produce complex signals with nonlinear structure and shifting distributions. We propose RIE-SenseNet, a novel geometry-aware Transformer model that embeds sensor data in a Riemannian manifold to tackle these challenges. By leveraging hyperbolic geometry for sequence modeling and introducing a manifold-based augmentation technique, RIE-SenseNet preserves sensor signal structure and generates realistic synthetic samples. Experiments show RIE-SenseNet achieves >90% F1-score, far surpassing CNN and Transformer baselines. These results illustrate the benefit of combining non-Euclidean feature representations with geometry-consistent data augmentation for robust pattern recognition in industrial sensing.

机构、总结、中文摘要均由AI分析而来，可能存在错误，请以论文正文为准。