論文の概要: Neural Network Approximation of Graph Fourier Transforms for Sparse
Sampling of Networked Flow Dynamics
- arxiv url: http://arxiv.org/abs/2002.05508v1
- Date: Tue, 11 Feb 2020 20:18:37 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-02 02:03:47.068023
- Title: Neural Network Approximation of Graph Fourier Transforms for Sparse
Sampling of Networked Flow Dynamics
- Title(参考訳): ネットワークフローダイナミクスのスパースサンプリングのためのグラフフーリエ変換のニューラルネットワーク近似
- Authors: Alessio Pagani, Zhuangkun Wei, Ricardo Silva, Weisi Guo
- Abstract要約: 水分配ネットワーク(WDN)は、複雑なカスケード力学を持つ大規模ネットワーククリティカルシステムであり、予測が難しい。
既存のアプローチでは、最小限の監視ポイントを見つけるために、多目的最適化を使用しているが、性能保証や理論的な枠組みが欠如している。
そこで我々はまず,ネットワーク汚染拡散ダイナミクスを圧縮し,本質的なデータ収集点を推論性能保証とともに同定するグラフフーリエ変換(GFT)演算子を開発した。
次に、自動エンコーダ(AE)にインスパイアされたニューラルネットワーク(NN)を構築し、GFTサンプリングプロセスを一般化し、初期からさらにアンダーサンプリングする。
- 参考スコア(独自算出の注目度): 13.538871180763156
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Infrastructure monitoring is critical for safe operations and sustainability.
Water distribution networks (WDNs) are large-scale networked critical systems
with complex cascade dynamics which are difficult to predict. Ubiquitous
monitoring is expensive and a key challenge is to infer the contaminant
dynamics from partial sparse monitoring data. Existing approaches use
multi-objective optimisation to find the minimum set of essential monitoring
points, but lack performance guarantees and a theoretical framework.
Here, we first develop Graph Fourier Transform (GFT) operators to compress
networked contamination spreading dynamics to identify the essential principle
data collection points with inference performance guarantees. We then build
autoencoder (AE) inspired neural networks (NN) to generalize the GFT sampling
process and under-sample further from the initial sampling set, allowing a very
small set of data points to largely reconstruct the contamination dynamics over
real and artificial WDNs. Various sources of the contamination are tested and
we obtain high accuracy reconstruction using around 5-10% of the sample set.
This general approach of compression and under-sampled recovery via neural
networks can be applied to a wide range of networked infrastructures to enable
digital twins.
- Abstract(参考訳): インフラ監視は安全な運用と持続可能性に不可欠である。
水分散ネットワーク(WDN)は、複雑なカスケード力学を持つ大規模ネットワーククリティカルシステムであり、予測が難しい。
ユビキタスモニタリングは高価であり、重要な課題は、部分的スパース監視データから汚染のダイナミクスを推測することである。
既存のアプローチでは、基本的な監視ポイントの最小セットを見つけるためにマルチ目的最適化を使用しているが、パフォーマンス保証や理論的枠組みは欠落している。
そこで我々はまず,ネットワーク汚染拡散ダイナミクスを圧縮し,本質的なデータ収集点を推論性能保証とともに同定するグラフフーリエ変換(GFT)演算子を開発した。
次に、自動エンコーダ(AE)にインスパイアされたニューラルネットワーク(NN)を構築し、GFTサンプリングプロセスを一般化し、初期サンプリングセットからさらにアンダーサンプリングし、非常に小さなデータポイントによって、実および人工のWDN上での汚染ダイナミクスを大まかに再構築することができる。
各種汚染源を試験し, 試料の約5~10%を用いて高精度な再構成を行った。
ニューラルネットワークによる圧縮とアンダーサンプルリカバリの一般的なアプローチは、広範囲のネットワークインフラストラクチャに適用することで、ディジタルツインを実現することができる。
関連論文リスト
- OR Residual Connection Achieving Comparable Accuracy to ADD Residual
Connection in Deep Residual Spiking Neural Networks [12.434147384452379]
スパイキングニューラルネットワーク(SNN)は、その生物学的忠実さとエネルギー効率のよいスパイク駆動操作を実行する能力のために、脳のような計算にかなりの注意を払っている。
調査では,深部スパイクニューラルネットワークの代表であるSEW-ResNetが,非イベント駆動の操作を取り入れていることを確認した。
高量子化に起因するエネルギー損失を相殺するために、アーキテクチャにORRC(OR Residual connection)を導入する。
論文 参考訳(メタデータ) (2023-11-11T13:36:27Z) - Graph Neural Network-Based Anomaly Detection for River Network Systems [0.8399688944263843]
水質のリアルタイムモニタリングは、インサイトセンサー技術にますます依存している。
センサデータの誤パターンを特定するには異常検出が不可欠である。
本稿では,河川ネットワークセンサデータにおける異常検出の課題に対する解決法を提案する。
論文 参考訳(メタデータ) (2023-04-19T01:32:32Z) - Joint Edge-Model Sparse Learning is Provably Efficient for Graph Neural
Networks [89.28881869440433]
本稿では,グラフニューラルネットワーク(GNN)における結合エッジモデルスパース学習の理論的特徴について述べる。
解析学的には、重要なノードをサンプリングし、最小のマグニチュードでプルーニングニューロンをサンプリングすることで、サンプルの複雑さを減らし、テスト精度を損なうことなく収束を改善することができる。
論文 参考訳(メタデータ) (2023-02-06T16:54:20Z) - Overlapping Community Detection using Dynamic Dilated Aggregation in
Deep Residual GCN [2.709785011931266]
重なり合うコミュニティ検出は、グラフマイニングにおいて重要な問題である。
本研究では,新しい動的拡張アグリゲーション機構に基づくディープ残差グラフ畳み込みネットワーク(DynaResGCN)を設計する。
本実験は,ネットワーク上の重なり合うコミュニティを検出するための最先端手法よりも,はるかに優れた性能を示す。
論文 参考訳(メタデータ) (2022-10-20T11:22:58Z) - Efficient Global Robustness Certification of Neural Networks via
Interleaving Twin-Network Encoding [8.173681464694651]
混合整数線形プログラミング(MILP)問題として、ReLUアクティベーション機能付きニューラルネットワークのグローバルロバスト性認証を定式化する。
我々のアプローチは、ニューラルネットワークの2つのコピーを並べて符号化する、新しいインターリービングツインネットワーク符号化スキームを含む。
クローズドループ制御の安全性検証のケーススタディを行い,本手法の重要性と実用性を実証した。
論文 参考訳(メタデータ) (2022-03-26T19:23:37Z) - CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point
Clouds [51.47100091540298]
本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。
CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
論文 参考訳(メタデータ) (2021-08-31T23:27:33Z) - Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。
実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。
ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
論文 参考訳(メタデータ) (2021-03-15T12:54:26Z) - Understanding Self-supervised Learning with Dual Deep Networks [74.92916579635336]
本稿では,2組の深層ReLUネットワークを用いたコントラスト型自己教師学習(SSL)手法を理解するための新しい枠組みを提案する。
種々の損失関数を持つSimCLRの各SGD更新において、各層の重みは共分散演算子によって更新されることを示す。
共分散演算子の役割と、そのようなプロセスでどのような特徴が学習されるかをさらに研究するために、我々は、階層的潜在木モデル(HLTM)を用いて、データ生成および増大過程をモデル化する。
論文 参考訳(メタデータ) (2020-10-01T17:51:49Z) - Orderly Disorder in Point Cloud Domain [25.36505222529359]
本稿では,秩序障害理論を用いた3次元モデル解析のための,スマートでシンプルなディープネットワークを提案する。
提案手法は,3次元物体内部の深いパターンを動的リンクによって抽出し,最も安定したパターンを求める。
本モデルでは, 消失段階の問題を緩和し, 動的リンク伝播を強化し, パラメータ数を著しく削減する。
論文 参考訳(メタデータ) (2020-08-21T18:18:09Z) - On Robustness and Transferability of Convolutional Neural Networks [147.71743081671508]
現代の深層畳み込みネットワーク(CNN)は、分散シフトの下で一般化しないとしてしばしば批判される。
現代画像分類CNNにおける分布外と転送性能の相互作用を初めて検討した。
トレーニングセットとモデルサイズを増大させることで、分散シフトロバスト性が著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-16T18:39:04Z) - Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。
RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。
ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
論文 参考訳(メタデータ) (2020-03-16T16:54:36Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。