本論文は、多尺度注意機構とドメイン対抗学習を融合したクロスデバイスモデリング手法を提案する。特徴抽出段階においては、畳み込みブロック注意モジュールと多尺度特徴融合を組み合わせた1次元エンコーダ-デコーダネットワークを構築し、スペクトルの全体的傾向と局所詳細特徴を同時に捉え、ノイズを抑制する。転移戦略では、ドメイン対抗学習を導入し、勾配反転層とドメイン分類器の敵対的学習を通じて、ソースデバイスとターゲットデバイスの特徴分布のエンドツーエンド整合を実現し、標準正規変数変換とSavitzky-Golay畳み込み平滑化を組み合わせてスペクトル入力の一貫性と信号対雑音比を向上させる。2台の携帯型近赤外分光器で収集した1,330件のボーキサイトスペクトルデータに対する8分割交差検証において、本手法はターゲットデバイス上で決定係数0.8603、二乗平均平方根誤差1.7521を達成し、従来の校正手法や複数の深層学習ベースラインモデルを大幅に上回った。特徴分布の可視化およびアブレーション実験は、多尺度特徴融合、注意機構、ドメイン対抗戦略が特徴整合および性能向上に有効であることをさらに検証した。

近赤外分光;転移学習;ボーキサイト;多尺度融合