본 논문은 소수의 샘플만으로 새로운 고장 클래스를 지속적으로 학습하면서 기존 클래스를 잊지 않도록 하는 Few-Shot Class-Incremental Fault Diagnosis (FSC-FD) 문제를 해결하기 위해 Dual-Granularity Guidance Network (DGGN)을 제안합니다. DGGN은 두 개의 병렬 스트림(fine-grained representation, coarse-grained representation)을 사용하여 특징 학습을 분리합니다. Fine-grained stream은 새로운 샘플에서 차별적인 특징을 캡처하고, coarse-grained stream은 모든 고장 유형에서 공유되는 일반적인 지식을 모델링하고 보존합니다. 이 두 표현은 multi-semantic cross-attention mechanism을 통해 동적으로 융합되어 과적합을 방지하고 특징 충돌을 완화합니다. 또한, catastrophic forgetting을 완화하기 위해 Boundary-Aware Exemplar Prioritization 전략을 설계하고, 데이터 불균형으로 인한 결정 경계 편향을 해결하기 위해 decoupled Balanced Random Forest 분류기를 사용합니다.
