論文の概要: Incremental Bayesian tensor learning for structural monitoring data
imputation and response forecasting
- arxiv url: http://arxiv.org/abs/2007.00790v3
- Date: Fri, 17 Jul 2020 01:12:38 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-14 23:02:11.391395
- Title: Incremental Bayesian tensor learning for structural monitoring data
imputation and response forecasting
- Title（参考訳）: 構造モニタリングデータ計算と応答予測のための増分ベイズテンソル学習
- Authors: Pu Ren and Xinyu Chen and Lijun Sun and Hao Sun
- Abstract要約: 本稿では,欠損センサデータの時間的・構造的応答を再現するためのベイズテンソル学習法を提案する。
コンクリート橋の連続フィールドセンシングデータに提案手法の有効性を検証した。
提案手法は, ランダム欠落, 構造化欠落, 組み合わせが多数存在する場合でも, 正確かつ堅牢であることが示唆された。
- 参考スコア（独自算出の注目度）: 18.919194955756396
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: There has been increased interest in missing sensor data imputation, which is
ubiquitous in the field of structural health monitoring (SHM) due to
discontinuous sensing caused by sensor malfunction. To address this fundamental
issue, this paper presents an incremental Bayesian tensor learning method for
reconstruction of spatiotemporal missing data in SHM and forecasting of
structural response. In particular, a spatiotemporal tensor is first
constructed followed by Bayesian tensor factorization that extracts latent
features for missing data imputation. To enable structural response forecasting
based on incomplete sensing data, the tensor decomposition is further
integrated with vector autoregression in an incremental learning scheme. The
performance of the proposed approach is validated on continuous field-sensing
data (including strain and temperature records) of a concrete bridge, based on
the assumption that strain time histories are highly correlated to temperature
recordings. The results indicate that the proposed probabilistic tensor
learning approach is accurate and robust even in the presence of large rates of
random missing, structured missing and their combination. The effect of rank
selection on the imputation and prediction performance is also investigated.
The results show that a better estimation accuracy can be achieved with a
higher rank for random missing whereas a lower rank for structured missing.
- Abstract（参考訳）: センサの故障による不連続な感覚による構造的健康モニタリング(SHM)の分野では,センサデータ計算の欠如に対する関心が高まっている。
本稿では,SHMにおける時空間欠落データの再構成と構造的応答の予測を行うための漸進的ベイズテンソル学習法を提案する。
特に時空間テンソルはまずベイズテンソル因子分解(英語版)によって構成され、データインプテーションの欠如に対して潜在特徴を抽出する。
不完全なセンシングデータに基づく構造応答予測を可能にするため、インクリメンタル学習方式において、テンソル分解をベクトル自己回帰とさらに統合する。
提案手法の性能は, ひずみ時間履歴が温度記録と高い相関関係にあるという仮定に基づいて, コンクリート橋の連続フィールドセンシングデータ(ひずみおよび温度記録を含む)に基づいて検証した。
その結果, 確率的テンソル学習手法は, ランダム欠落, 構造化欠落, 組み合わせの有無に関わらず, 正確かつ堅牢であることが示唆された。
ランク選択がインプテーションと予測性能に及ぼす影響についても検討した。
その結果,構造的欠落では低い階数に対して,ランダム欠落では高い階数でより良い推定精度が得られることがわかった。
関連論文リスト
- Hypergraph Learning based Recommender System for Anomaly Detection, Control and Optimization [0.0]
本稿では,(a)離散ハイパーグラフ構造の連成学習のための自己適応型異常検出フレームワークと,(b)相互依存型センサ間の時間的傾向と空間的関係をモデル化する。
このフレームワークは、ハイパーグラフ構造データのリレーショナル帰納バイアスを利用して、ポイントワイズ・シングルステップ・アヘッド予測を学習する。
ルート原因分析のための異常情報伝搬に基づく計算ハイパーグラフを導出し、オフラインで最適な予測制御ポリシを通じて推奨する。
論文 参考訳（メタデータ） (2024-08-21T06:04:02Z) - Uncertainty-Aware Deep Attention Recurrent Neural Network for
Heterogeneous Time Series Imputation [0.25112747242081457]
欠落は多変量時系列においてユビキタスであり、信頼できる下流分析の障害となる。
本稿では、欠落した値とその関連不確かさを共同で推定するDeep Attention Recurrent Imputation (Imputation)を提案する。
実験の結果,実世界のデータセットを用いた多様な計算タスクにおいて,SOTAを上回っていることがわかった。
論文 参考訳（メタデータ） (2024-01-04T13:21:11Z) - Structured Radial Basis Function Network: Modelling Diversity for
Multiple Hypotheses Prediction [51.82628081279621]
多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。
構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。
この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
論文 参考訳（メタデータ） (2023-09-02T01:27:53Z) - Diffusion Causal Models for Counterfactual Estimation [18.438307666925425]
本稿では,観測画像データから因果構造を推定する作業について考察する。
Diff-SCMは,近年の発電エネルギーモデルの発展を基盤とした構造因果モデルである。
Diff-SCMはMNISTデータに基づくベースラインよりも現実的で最小限のデファクトアルを生成しており、ImageNetデータにも適用可能である。
論文 参考訳（メタデータ） (2022-02-21T12:23:01Z) - Harmless interpolation in regression and classification with structured
features [21.064512161584872]
過度にパラメータ化されたニューラルネットワークは、ノイズの多いトレーニングデータに完全に適合するが、テストデータではうまく一般化する。
再生カーネルヒルベルト空間における上界回帰と分類リスクの一般かつ柔軟な枠組みを提案する。
論文 参考訳（メタデータ） (2021-11-09T15:12:26Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Imputation-Free Learning from Incomplete Observations [73.15386629370111]
本稿では,不備な値を含む入力からの推論をインプットなしでトレーニングするIGSGD法の重要性について紹介する。
バックプロパゲーションによるモデルのトレーニングに使用する勾配の調整には強化学習(RL)を用いる。
我々の計算自由予測は、最先端の計算手法を用いて従来の2段階の計算自由予測よりも優れている。
論文 参考訳（メタデータ） (2021-07-05T12:44:39Z) - The Hidden Uncertainty in a Neural Networks Activations [105.4223982696279]
ニューラルネットワークの潜在表現の分布は、アウト・オブ・ディストリビューション(OOD)データの検出に成功している。
本研究は、この分布が、モデルの不確実性と相関しているかどうかを考察し、新しい入力に一般化する能力を示す。
論文 参考訳（メタデータ） (2020-12-05T17:30:35Z) - Representation Learning for Sequence Data with Deep Autoencoding
Predictive Components [96.42805872177067]
本稿では,シーケンスデータの有用な表現が潜在空間における単純な構造を示すべきという直感に基づく,シーケンスデータの自己教師型表現学習法を提案する。
我々は,過去と将来のウィンドウ間の相互情報である潜在特徴系列の予測情報を最大化することにより,この潜時構造を奨励する。
提案手法は,ノイズの多い動的システムの潜時空間を復元し,タスク予測のための予測特徴を抽出し,エンコーダを大量の未ラベルデータで事前訓練する場合に音声認識を改善する。
論文 参考訳（メタデータ） (2020-10-07T03:34:01Z) - Unlabelled Data Improves Bayesian Uncertainty Calibration under
Covariate Shift [100.52588638477862]
後続正則化に基づく近似ベイズ推定法を開発した。
前立腺癌の予後モデルを世界規模で導入する上で,本手法の有用性を実証する。
論文 参考訳（メタデータ） (2020-06-26T13:50:19Z) - Online Tensor-Based Learning for Multi-Way Data [1.0953917735844645]
オンラインの$CANDECOMP/PARAFAC$分解のために、新しい効率的なテンソルベースの特徴抽出法NeSGDが提案されている。
その結果,提案手法は分類誤り率を大幅に改善し,時間とともに正のデータ分布の変化を同化することができ,全てのケーススタディにおいて高い予測精度を維持した。
論文 参考訳（メタデータ） (2020-03-10T02:04:08Z)
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。