A:
在我们的文章中，构造了两个故障诊断任务用以展示各个元学习模型的潜力。T1是一个常见的迁移任务，仅工况变化不同（负载变化）。T2有完全不同的源域和目标域类别，属于识别“新类别”的范畴。这应当是元学习故障诊断之后的探索方向，比如在轴承上训练、在齿轮上测试。这样，他们拥有不同的类别，但可以持续用于新任务。在文章中，跨度没这么大，仅仅使用了轴承数据，所以让类别不相交来模拟这一情景。在原文中我们也探讨了这类情景，比如 DCDB-DF (Seen in Sectiuon 4.1)
Furthermore,we clarify three concepts of SCDB,DCSB and DCDB in Fig.17.In this illustration,we only emphasize that the types of components for source and target domain are different in DCDB scenario, thus it is the most intractable.
Q:
我对跨域的T2任务有些不理解,T1就是跨工况,病害类别没有变化,只是工况从3到0,这是常见的.但是T2比较少见,他是相同工况下,目标域和源域的病害(故障)类别完全不相交,让我困惑,能否详细说明一下A: 在我们的文章中，构造了两个故障诊断任务用以展示各个元学习模型的潜力。T1是一个常见的迁移任务，仅工况变化不同（负载变化）。T2有完全不同的源域和目标域类别，属于识别“新类别”的范畴。这应当是元学习故障诊断之后的探索方向，比如在轴承上训练、在齿轮上测试。这样，他们拥有不同的类别，但可以持续用于新任务。在文章中，跨度没这么大，仅仅使用了轴承数据，所以让类别不相交来模拟这一情景。在原文中我们也探讨了这类情景，比如 DCDB-DF (Seen in Sectiuon 4.1)
元学习算法通过情景式训练(Episodic paradigm)学习任务之间的元知识，在新任务上迅速学习。至于元学习模型具体如何实现的，可以参考代码，原理可以参考我们的元学习综述文章或者一些方法的原文。