Buchumschlag

Disentangling Damage from Operational Variability: A Label-Free Self-Supervised Representation Learning Framework for Output-Only Structural Damage Identification

Fuente: arXiv

Gespeichert in:

Bibliographische Detailangaben
Hauptverfasser:	Jian, Xudong, Stoura, Charikleia, Scandella, Simon, Chatzi, Eleni
Format:	Preprint
Veröffentlicht:	2026
Schlagworte:	Machine Learning
Online-Zugang:	Acceder al recurso
Tags:	Tag hinzufügen Keine Tags, Fügen Sie den ersten Tag hinzu!

Ähnliche Einträge

Automating Traffic Monitoring with SHM Sensor Networks via Vision-Supervised Deep Learning
von: Wu, Hanshuo, et al.
Veröffentlicht: (2025)

Towards Interpretable Damage Detection based on Aerodynamic Pressure Measurements
von: Franz, Philip, et al.
Veröffentlicht: (2026)

Causal Convolutional Neural Networks as Finite Impulse Response Filters
von: Bacsa, Kiran, et al.
Veröffentlicht: (2025)

Towards Multimodal Open-Set Domain Generalization and Adaptation through Self-supervision
von: Dong, Hao, et al.
Veröffentlicht: (2024)

PiGGO: Physics-Guided Learnable Graph Kalman Filters for Virtual Sensing of Nonlinear Dynamic Structures under Uncertainty
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2026)

Response Estimation and System Identification of Dynamical Systems via Physics-Informed Neural Networks
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2024)

Self-Supervised Learning of Disentangled Representations for Multivariate Time-Series
von: Chang, Ching, et al.
Veröffentlicht: (2024)

Discussing the Spectrum of Physics-Enhanced Machine Learning; a Survey on Structural Mechanics Applications
von: Haywood-Alexander, Marcus, et al.
Veröffentlicht: (2023)

Adapting Vision-Language Models Without Labels: A Comprehensive Survey
von: Dong, Hao, et al.
Veröffentlicht: (2025)

Multimodal Learning for Arcing Detection in Pantograph-Catenary Systems
von: Dong, Hao, et al.
Veröffentlicht: (2026)

On the Rate of Convergence of Kolmogorov-Arnold Network Regression Estimators
von: Liu, Wei, et al.
Veröffentlicht: (2025)

FloodDamageCast: Building Flood Damage Nowcasting with Machine Learning and Data Augmentation
von: Liu, Chia-Fu, et al.
Veröffentlicht: (2024)

Modal Decomposition and Identification for a Population of Structures Using Physics-Informed Graph Neural Networks and Transformers
von: Jian, Xudong, et al.
Veröffentlicht: (2025)

DRESS: Disentangled Representation-based Self-Supervised Meta-Learning for Diverse Tasks
von: Cui, Wei, et al.
Veröffentlicht: (2025)

Self-Supervised Disentangled Representation Learning for Robust Target Speech Extraction
von: Mu, Zhaoxi, et al.
Veröffentlicht: (2023)

Graph Transformers for inverse physics: reconstructing flows around arbitrary 2D airfoils
von: Duthé, Gregory, et al.
Veröffentlicht: (2025)

Towards Robust Multimodal Open-set Test-time Adaptation via Adaptive Entropy-aware Optimization
von: Dong, Hao, et al.
Veröffentlicht: (2025)

Structured Kolmogorov-Arnold Neural ODEs for Interpretable Learning and Symbolic Discovery of Nonlinear Dynamics
von: Liu, Wei, et al.
Veröffentlicht: (2025)

Little is Enough: Boosting Privacy by Sharing Only Hard Labels in Federated Semi-Supervised Learning
von: Abourayya, Amr, et al.
Veröffentlicht: (2023)

Geometric Autoencoder Priors for Bayesian Inversion: Learn First Observe Later
von: Vadeboncoeur, Arnaud, et al.
Veröffentlicht: (2025)

Beyond Static Models: Hypernetworks for Adaptive and Generalizable Forecasting in Complex Parametric Dynamical Systems
von: Vlachas, Pantelis R., et al.
Veröffentlicht: (2025)

Learning Style Identification Using Semi-Supervised Self-Taught Labeling
von: Ayyoub, Hani Y., et al.
Veröffentlicht: (2024)

RL-BioAug: Label-Efficient Reinforcement Learning for Self-Supervised EEG Representation Learning
von: Lee, Cheol-Hui, et al.
Veröffentlicht: (2026)

Disentangled and Self-Explainable Node Representation Learning
von: Piaggesi, Simone, et al.
Veröffentlicht: (2024)

Neuro-Symbolic ODE Discovery with Latent Grammar Flow
von: Yu, Karin, et al.
Veröffentlicht: (2026)

Grammar-based Ordinary Differential Equation Discovery
von: Yu, Karin L., et al.
Veröffentlicht: (2025)

Self-Supervised Learning at the Edge: The Cost of Labeling
von: Pereira, Roberto, et al.
Veröffentlicht: (2025)

To Trust Or Not To Trust Your Vision-Language Model's Prediction
von: Dong, Hao, et al.
Veröffentlicht: (2025)

Deep Belief Markov Models for POMDP Inference
von: Arcieri, Giacomo, et al.
Veröffentlicht: (2025)

Self-Supervised Disentanglement by Leveraging Structure in Data Augmentations
von: Eastwood, Cian, et al.
Veröffentlicht: (2023)

Federated Learning with Only Positive Labels by Exploring Label Correlations
von: An, Xuming, et al.
Veröffentlicht: (2024)

Extended Modified Bridge System (EMBS) method for decoupling seismic vehicle‐bridge interaction
von: Hossein Homaei, et al.
Veröffentlicht: (2024)

Label-free Monitoring of Self-Supervised Learning Progress
von: Xu, Isaac, et al.
Veröffentlicht: (2024)

Variational Learning of Disentangled Representations
von: Slavutsky, Yuli, et al.
Veröffentlicht: (2025)

Semi Supervised Heterogeneous Domain Adaptation via Disentanglement and Pseudo-Labelling
von: Dantas, Cassio F., et al.
Veröffentlicht: (2024)

Evolving Afferent Architectures: Biologically-inspired Models for Damage-Avoidance Learning
von: Maass, Wolfgang, et al.
Veröffentlicht: (2026)

Comparative Study of Deep Learning Architectures for Textual Damage Level Classification
von: Nanyonga, Aziida, et al.
Veröffentlicht: (2025)

Self-Supervised Representation Learning as Mutual Information Maximization
von: Sabby, Akhlaqur Rahman, et al.
Veröffentlicht: (2025)

Gaussian Joint Embeddings For Self-Supervised Representation Learning
von: Huang, Yongchao
Veröffentlicht: (2026)

On Discriminative Probabilistic Modeling for Self-Supervised Representation Learning
von: Wang, Bokun, et al.
Veröffentlicht: (2024)