基于自适应原型与语义感知的长尾表征学习算法

标注稀缺与长尾分布不均衡是工业设备监测领域所面临的关键技术挑战.现有自监督学习方法在复杂工况下易受样本数量偏差与语义混淆影响,导致对稀疏关键状态的表征能力受限.本文提出一种协同进化的原型对比学习框架(Co-evolutionary prototypical contrastive learning,EPCL),通过从粗粒度语义发现到细粒度判别增强的递进式学习,实现对长尾数据内在结构的深度解析.该框架设计了基于最优传输理论的自适应原型聚类算法,以数据驱动的动态先验实现无偏建模.而后提出语义感知的负样本层次化调控机制,采用原型一致性约束与自适应加权策略,实现判别边界优化的同时缓解类别不均衡.在多个公开长尾视觉基准(CIFAR10-LT、CIFAR100-LT、ImageNet-100-LT)以及工业故障诊断数据集CWRU上的实验结果表明,EPCL相较于SimCLR、SwAV等15种主流自监督方法,在线性评估与少样本分类任务中均取得显著提升,其在CIFAR100-LT上尾部类别准确率比SimCLR提高4.56个百分点.消融实验与可视化结果验证了所提机制的有效性与泛化能力.本研究为无监督条件下长尾测量数据的表征学习提供了具有潜力的新思路及实施方法.