論文の概要: Applying graph matching techniques to enhance reuse of plant design information

• arxiv url: http://arxiv.org/abs/2103.12466v1
• Date: Tue, 23 Mar 2021 11:40:28 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-24 13:47:48.790664
• Title: Applying graph matching techniques to enhance reuse of plant design information
• Title（参考訳）: 植物設計情報の再利用性向上のためのグラフマッチング手法の適用
• Authors: Miia Rantala, Hannu Niemist\"o, Tommi Karhela, Seppo Sierla, Valeriy Vyatkin
• Abstract要約: 本稿では,前設計の再利用を支援するため,プラント設計データにグラフマッチングを適用する方法について検討する。 初期の段階のプラント設計のユースケースを紹介します。 グラフ簡略化アルゴリズムやノード類似度測定を含むユースケースに対処する方法論が提案されている。
• 参考スコア（独自算出の注目度）: 0.34998703934432684
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This article investigates how graph matching can be applied to process plant design data in order to support the reuse of previous designs. A literature review of existing graph matching algorithms is performed, and a group of algorithms is chosen for further testing. A use case from early phase plant design is presented. A methodology for addressing the use case is proposed, including graph simplification algorithms and node similarity measures, so that existing graph matching algorithms can be applied in the process plant domain. The proposed methodology is evaluated empirically on an industrial case consisting of design data from several pulp and paper plants.
• Abstract（参考訳）: 本稿では,前設計の再利用を支援するため,プラント設計データにグラフマッチングを適用する方法について検討する。 既存のグラフマッチングアルゴリズムの文献レビューを行い、さらなるテストのためにアルゴリズムのグループを選択する。 初期のプラント設計のユースケースを紹介する。 既存のグラフマッチングアルゴリズムをプロセスプラントドメインに適用できるように,グラフ単純化アルゴリズムとノード類似度測定を含む,ユースケースに対処する手法を提案する。 提案手法は,いくつかのパルプおよび紙工場の設計データからなる工業事例で実証的に評価した。

関連論文リスト

• Joint Data Inpainting and Graph Learning via Unrolled Neural Networks [1.8999296421549168]
  基礎となるグラフトポロジと欠測値の両方を推定するアルゴリズムを提案する。 提案手法はグラフ学習とグラフ信号再構成アルゴリズムの両方に利用できる。
  論文  参考訳（メタデータ） (2024-07-16T06:46:41Z)
• ProvG-Searcher: A Graph Representation Learning Approach for Efficient Provenance Graph Search [13.627536649679577]
  ProvG-Searcherは,システムセキュリティログ内の既知のAPT動作を検出する新しい手法である。 グラフマッチング問題として前駆体グラフを探索するタスクを定式化し,グラフ表現学習法を用いる。 標準データセットに対する実験結果から,ProvG-Searcherはクエリの振る舞いを検出する精度が99%を超え,優れたパフォーマンスを実現していることが示された。
  論文  参考訳（メタデータ） (2023-09-07T11:29:01Z)
• Bures-Wasserstein Means of Graphs [60.42414991820453]
  本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。 この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。 我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
  論文  参考訳（メタデータ） (2023-05-31T11:04:53Z)
• Hub-aware Random Walk Graph Embedding Methods for Classification [44.99833362998488]
  ノード分類問題に特化して設計されたランダムウォークに基づく2つの新しいグラフ埋め込みアルゴリズムを提案する。 提案手法は,実世界のネットワークの埋め込みを訓練した3つの分類アルゴリズムの分類性能を解析して実験的に評価する。
  論文  参考訳（メタデータ） (2022-09-15T20:41:18Z)
• Reinforcement Learning Based Query Vertex Ordering Model for Subgraph Matching [58.39970828272366]
  グラフマッチングアルゴリズムは、クエリグラフの埋め込みをデータグラフGに列挙する。 マッチング順序は、これらのバックトラックに基づくサブグラフマッチングアルゴリズムの時間効率において重要な役割を果たす。 本稿では,Reinforcement Learning (RL) と Graph Neural Networks (GNN) 技術を適用して,グラフマッチングアルゴリズムの高品質なマッチング順序を生成する。
  論文  参考訳（メタデータ） (2022-01-25T00:10:03Z)
• A Broader Picture of Random-walk Based Graph Embedding [2.6546685109604304]
  ランダムウォークに基づくグラフ埋め込みは、多くのグラフ関連下流タスクに対する効果的なソリューションをサポートする。 本研究では,ランダムウォークプロセス,類似関数,埋め込みアルゴリズムという3つのコンポーネントからなるランダムウォークグラフ埋め込みの分析フレームワークを開発する。 自己共分散類似度に基づく埋め込みは,ドット製品ランキングと組み合わせてリンク予測を行う場合,ポイントワイズ・ミューチュアル・インフォメーション類似度に基づく最先端手法を最大100%向上させることを示す。
  論文  参考訳（メタデータ） (2021-10-24T03:40:16Z)
• An AI-Assisted Design Method for Topology Optimization Without Pre-Optimized Training Data [68.8204255655161]
  トポロジ最適化に基づくAI支援設計手法を提示し、最適化された設計を直接的に得ることができる。 設計は、境界条件と入力データとしての充填度に基づいて、人工ニューラルネットワーク、予測器によって提供される。
  論文  参考訳（メタデータ） (2020-12-11T14:33:27Z)
• Information Theoretic Meta Learning with Gaussian Processes [74.54485310507336]
  情報理論の概念,すなわち相互情報と情報のボトルネックを用いてメタ学習を定式化する。 相互情報に対する変分近似を用いることで、メタ学習のための汎用的かつトラクタブルな枠組みを導出する。
  論文  参考訳（メタデータ） (2020-09-07T16:47:30Z)
• Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
  定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。 ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。 本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-05T07:06:19Z)
• Wasserstein-based Graph Alignment [56.84964475441094]
  我々は,より小さいグラフのノードと大きなグラフのノードをマッチングすることを目的とした,1対多のグラフアライメント問題に対する新しい定式化を行った。 提案手法は,各タスクに対する最先端のアルゴリズムに対して,大幅な改善をもたらすことを示す。
  論文  参考訳（メタデータ） (2020-03-12T22:31:59Z)

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。