Progressief machinaal leren voor intelligente industriële systemen: Onbalans, ruis en onvolledige gegevens aanpakken in zowel single-view als multi-view scenario's

Dit onderzoek ontwikkelt geavanceerde machine-leermethoden voor intelligente industriële systemen, waarbij single-view ongebalanceerde binaire classificatie, multi-view long-tail multiklasse classificatie en incomplete multi-view unsupervised clustering aan bod komen. Door gebruik te maken van kostengevoelig leren, contrastief leren en kennisdestillatie wordt het leren van robuuste representaties verbeterd. Deze technieken zijn gericht op het verbeteren van voorspellend onderhoud, foutdetectie en procesoptimalisatie en bieden uitgebreide oplossingen voor echte industriële uitdagingen.