一篇新论文介绍了一个迁移学习框架，旨在改进结构脆弱性建模，特别是在数据有限、领域转移和类别不平衡的情况下。该方法采用了四种迁移学习策略，并通过三个涉及地震和飓风相关结构损坏的案例研究进行了演示。研究表明，在这些挑战性条件下，直接迁移现有模型通常会失败，而有针对性的适应则能显著提高预测准确性和稳定性。 AI
影响 提高了低数据环境下结构损坏评估的预测准确性，可能改善灾害防备和响应。
排序理由 该集群包含一篇发表在arXiv上的研究论文，详细介绍了结构脆弱性建模中迁移学习的新方法。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2606.18567v1 Announce Type: cross Abstract: This paper presents a methodology-centered transfer learning framework for fragility adaptation under domain shift, class imbalance, and scarce target labels while preserving engineering interpretability and supporting decision-ma…
This paper presents a methodology-centered transfer learning framework for fragility adaptation under domain shift, class imbalance, and scarce target labels while preserving engineering interpretability and supporting decision-making under uncertainty. Four transfer learning str…